論文の概要: DiffReID: Discriminative Diffusion Model for Object Re-Identification

• arxiv url: http://arxiv.org/abs/2609.36894v1
• Date: Tue, 29 Sep 2026 07:22:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.277926
• Title: DiffReID: Discriminative Diffusion Model for Object Re-Identification
• Title（参考訳）: DiffReID:物体再同定のための識別拡散モデル
• Abstract要約: オブジェクトReIDのためのtextbfDiffReID という新しい特徴学習フレームワークを提案する。 我々の手法は、ほとんどの最先端手法よりも優れた結果を示す。
• 参考スコア（独自算出の注目度）: 73.56266653516967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a fundamental image processing task, object Re-Identification (ReID) aims to retrieve objects across non-overlapping cameras. Recently, with the development of deep learning, significant advancements have been made in object ReID. However, most existing methods suffer from generalization due to the limited size and diversity of ReID datasets. Meanwhile, current models tend to focus on extracting semantic patterns rather than learning identity-aware feature distributions. To address these issues, we propose a novel feature learning framework named \textbf{DiffReID} for object ReID. It leverages a discriminative diffusion model to gradually learn identity-aware distributions and generate identity-invariant features. More specifically, with the Contrastive Language-Image Pre-training (CLIP) model, we first obtain identity-aware text features by prompt tuning. Then, we propose a Vision-guided Noise Generator (VNG) to initialize probabilistic noises and gradually corrupt identity-aware text features. Afterwards, we take visual features as conditions and propose a Light Weight Denoiser (LWD) to denoise the corrupted text features step-by-step for identity-aware distribution learning. To obtain discriminative features, we further generate identity-invariant guided features from randomly sampling visual-guided noises. Finally, we propose a Mutual Enhancement Constraint (MEC) to facilitate mutual learning between visual features and guided features to enhance the representation robustness and discrimination. Extensive experiments on five object ReID benchmarks demonstrate that our method shows better results than most state-of-the-art methods. The source code is available at https://github.com/AWangYQ/DiffReID.
• Abstract（参考訳）: 基本的な画像処理タスクとして、オブジェクト再識別(ReID)は、オーバーラップしないカメラでオブジェクトを検索することを目的としている。 近年,ディープラーニングの発展に伴い,オブジェクトReIDが大幅に進歩している。 しかし、ほとんどの既存手法はReIDデータセットのサイズと多様性が制限されているため、一般化に悩まされている。 一方、現在のモデルでは、アイデンティティを意識した特徴分布を学習するよりも、セマンティックパターンの抽出に重点を置いている。 これらの課題に対処するため,オブジェクトReIDのための新しい特徴学習フレームワークであるtextbf{DiffReID}を提案する。 識別拡散モデルを利用して、徐々にアイデンティティを意識した分布を学習し、アイデンティティに不変な特徴を生成する。 より具体的には、Contrastive Language-Image Pre-Training (CLIP) モデルを用いて、まず、即時チューニングにより、アイデンティティを意識したテキスト機能を得る。 そこで我々は,確率的雑音を初期化し,個人認識のテキスト特徴を徐々に劣化させる視覚誘導型ノイズ発生器(VNG)を提案する。 その後、視覚的特徴を条件として捉え、劣化したテキストの特徴を段階的に認識して分布学習を行うための軽量デノイザ(LWD)を提案する。 識別的特徴を得るために、視覚誘導雑音をランダムにサンプリングすることで、識別不変な誘導特徴を更に生成する。 最後に,視覚的特徴と誘導的特徴の相互学習を促進するための相互強化制約(MEC)を提案し,表現の堅牢性と識別性を高める。 5つのオブジェクトReIDベンチマークの大規模な実験により、我々の手法は最先端の手法よりも優れた結果を示すことが示された。 ソースコードはhttps://github.com/AWangYQ/DiffReIDで入手できる。

関連論文リスト

• Identity Clue Refinement and Enhancement for Visible-Infrared Person Re-Identification [20.544872117860915]
  Visible-Infrared Person Re-Identification (VI-ReID) は、重要なモダリティの相違による、異種間マッチングの課題である。 本稿では,モダリティ固有の属性に固有の暗黙的な識別的知識をマイニングし,活用するために,ICRE(Identity Clue Refinement and Enhancement)ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-12-04T07:13:38Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-28T09:28:12Z)
• SD-ReID: View-aware Stable Diffusion for Aerial-Ground Person Re-Identification [74.36139886192495]
  本稿では,AG-ReID のための SD-ReID という新しい生成フレームワークを提案する。 まず、ViTベースのモデルを用いて人物表現を抽出し、個人性や視認性を含む制御可能な条件を抽出する。 次に、安定拡散(SD)モデルを微調整し、これらの制御可能な条件によって導かれる人物表現を強化する。
  論文  参考訳（メタデータ） (2025-04-13T12:44:50Z)
• From Poses to Identity: Training-Free Person Re-Identification via Feature Centralization [9.614305363044737]
  人物再識別(ReID)は、正確な識別表現の特徴を抽出することを目的としている。 個人ノイズを低減するための訓練自由特徴集中型ReIDフレームワーク(Pose2ID)を提案する。 提案手法は, 標準, クロスモダリティ, 隠蔽されたReIDタスクにまたがって, 最先端の新たな結果を設定する。
  論文  参考訳（メタデータ） (2025-03-02T15:31:48Z)
• Synthesizing Efficient Data with Diffusion Models for Person Re-Identification Pre-Training [51.87027943520492]
  本稿では,既知の同一性に基づく多様な画像の効率向上と生成を行う新しいパラダイムDiffusion-ReIDを提案する。 提案したパラダイムに適合して,まず,5,183個のIDから777K以上の画像で構成された,大規模なRe-IDデータセットDiff-Personを新たに作成する。
  論文  参考訳（メタデータ） (2024-06-10T06:26:03Z)
• Generative Unlearning for Any Identity [6.872154067622779]
  プライバシー問題に関連する特定の領域では、高度な生成モデルと強力な反転法が潜在的な誤用につながる可能性がある。 生成的アイデンティティアンラーニング(generative identity unlearning)という,特定のアイデンティティのイメージを生成しないモデルを提案する。 本稿では,1つの画像のみを用いて生成元をアンラーニングすることで,特定のアイデンティティの再構築を防止する新しいフレームワーク,GUIDE(Generative Unlearning for Any Identity)を提案する。
  論文  参考訳（メタデータ） (2024-05-16T08:00:55Z)
• ID-Aligner: Enhancing Identity-Preserving Text-to-Image Generation with Reward Feedback Learning [57.91881829308395]
  AIポートレートや広告といった幅広いアプリケーションシナリオのために、ID-T2I(ID-preserving text-to-image generation)が注目されている。 我々は,ID-T2I性能を向上させるための一般的なフィードバック学習フレームワークである textbfID-Aligner を提案する。
  論文  参考訳（メタデータ） (2024-04-23T18:41:56Z)
• Infinite-ID: Identity-preserved Personalization via ID-semantics Decoupling Paradigm [31.06269858216316]
  アイデンティティ保存型パーソナライゼーションのためのID-セマンティックデカップリングパラダイムであるInfinite-IDを提案する。 我々は、十分なID情報を取得するために、追加のイメージクロスアテンションモジュールを組み込んだアイデンティティ強化トレーニングを導入する。 また、2つのストリームをシームレスにマージするために、混合アテンションモジュールとAdaIN平均演算を組み合わせた機能相互作用機構を導入する。
  論文  参考訳（メタデータ） (2024-03-18T13:39:53Z)

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。