論文の概要: Levy-Driven Correspondence Estimation for Registration

• arxiv url: http://arxiv.org/abs/2609.32612v2
• Date: Sun, 04 Oct 2026 09:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 05:57:51.309802
• Title: Levy-Driven Correspondence Estimation for Registration
• Title（参考訳）: レジストレーションのためのレビー駆動対応推定
• Abstract要約: LevyMatchは、ランダムジャンプを使ってソフトマッチング行列を洗練するレヴィ駆動の手法である。 Gammaランダムクロックは、更新毎にタイムステップを設定する。 本稿では,早期更新により多くのクロック時間を割り当てる固定フロントロード型ガンマポリシーを提案する。
• 参考スコア（独自算出の注目度）: 48.22138841110924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding reliable point correspondences is difficult when point clouds have low overlap or undergo non-rigid deformation. Iterative refinement can correct uncertain matches, but costly network evaluations limit the number of updates. We present LevyMatch, a Lévy-driven method that uses random jumps to refine a soft matching matrix. At each step, a network uses the current matching state and geometric information to predict a target matching matrix. A Brownian reference bridge gives an explicit formula for the update toward this target. A Gamma random clock sets the time step for each update. The updated matches provide new geometric feedback for the next target prediction. We further propose a fixed front-loaded Gamma policy that assigns more expected clock time to early updates and less to later ones, without retraining or extra network evaluations. Reordering the same sampled Gamma increments shows that placing larger increments early gives higher accuracy than placing them late. On 4DMatch and 4DLoMatch, our method improves both non-rigid feature matching recall (NFMR) and inlier ratio (IR) over the compared methods. The front-loaded policy achieves 93.09% NFMR and 92.11% IR on 4DMatch, and 82.79% NFMR and 79.07% IR on 4DLoMatch.
• Abstract（参考訳）: 点雲の重なりが低い場合や、非剛性変形を受ける場合、信頼性の高い点対応を見つけることは困難である。 反復的な改善は不確実な一致を補正することができるが、コストのかかるネットワーク評価は更新数を制限する。 本稿では,ランダムジャンプを用いてソフトマッチング行列を洗練させるLevyMatchを提案する。 各ステップにおいて、ネットワークは現在のマッチング状態と幾何情報を使用してターゲットマッチング行列を予測する。 ブラウン参照ブリッジは、このターゲットに対する更新の明確な公式を与える。 Gammaランダムクロックは、更新毎にタイムステップを設定する。 更新されたマッチは、次のターゲット予測のための新しい幾何学的フィードバックを提供する。 さらに,早期更新により多くのクロック時間を割り当て,後続のクロック時間を減らし,ネットワークの再トレーニングや余分な評価を行わない固定フロントロード型ガンマポリシーを提案する。 同じサンプルのGammaインクリメントを並べ替えると、より大きいインクリメントを早期に配置すると、遅く配置するよりも高い精度が得られることが分かる。 4DMatch と 4DLoMatch では,NFMR (non-rigid feature matching recall) とIR (inlier ratio) が比較法よりも改善される。 フロントローディングポリシーは4DMatchで93.09%のNFMR、92.11%のIR、4DLoMatchで82.79%のNFMR、79.07%のIRを達成した。

関連論文リスト

• One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
  凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。 また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。 Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
  論文  参考訳（メタデータ） (2026-09-20T14:54:35Z)
• SpikeWorld: Fast-State Adaptation for Frozen Spiking World Models [0.0]
  ヘテロジニアスな感覚予測,セマンティクス,画像テキストバインディング,動作条件付きダイナミクスを共同で訓練した1.45MスパーススパイキングモデルであるSpikeWorldを紹介する。 共同最適化により、アクション次世代MSEは17.10%改善され、マルチモーダル予測、セマンティック精度、画像テキスト検索が改善された。
  論文  参考訳（メタデータ） (2026-08-07T18:57:06Z)
• REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
  本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。 我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
  論文  参考訳（メタデータ） (2026-06-17T10:37:23Z)
• FastUMAP: Scalable Dimensionality Reduction via Bipartite Landmark Sampling [0.9805949492148788]
  FastUMAPはスパースポイントランドマークファジィグラフを構築し、誘導されたランドマーク親和性からNystromスペクトルウォームスタートを計算し、UMAPスタイルの目的で全てのサンプル座標を洗練する。 9つのベンチマークデータセットが178から70,000のサンプルにまたがる場合、FastUMAPはデフォルト実装比較で報告された7つのデータセットで最低のランタイムを持つ。 FastUMAPは、精度優先のメソッドの代替としてではなく、反復的な探索的な埋め込みのための高速なオプションとして最もよく考えられている。
  論文  参考訳（メタデータ） (2026-05-12T02:26:59Z)
• TARG: Training-Free Adaptive Retrieval Gating for Efficient RAG [46.122203287541005]
  トレーニングフリーのAdaptive Retrieval Gating (TARG) は、ベースモデルからの短い非遅延ドラフトのみを使用していつ取得するかを決定する、単発のポリシーである。 NQ-Open、TriviaQA、PopQAでは、TARGは一貫して精度と効率のフロンティアをシフトさせる。
  論文  参考訳（メタデータ） (2025-11-12T23:09:52Z)
• Target before Shooting: Accurate Anomaly Detection and Localization under One Millisecond via Cascade Patch Retrieval [49.45246833329707]
  異常検出(AD)の「マッチング」性を再検討する 本稿では,ADの精度と実行速度を同時に向上する新しいADフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-13T11:49:05Z)
• Faster Game Solving via Predictive Blackwell Approachability: Connecting Regret Matching and Mirror Descent [119.5481797273995]
  FTRL (Follow-the-regularized-leader) とオンラインミラー降下 (OMD) は、オンライン凸最適化における最も一般的な後悔の最小化手法である。 RMとRM+はFTRLとOMDをそれぞれ実行し、ブラックウェルのアプローチ性ゲームにおいて、ハーフスペースを常に強制的に選択するアルゴリズムであることを示す。 18の共通ゼロサムワイドフォームベンチマークゲームを対象とした実験では,予測的RM+と反ファクト的後悔の最小化が,最速のアルゴリズムよりもはるかに高速に収束することを示した。
  論文  参考訳（メタデータ） (2020-07-28T16:49:55Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。