論文の概要: EviViT: Evidence-Adaptive Vision Transformers for Fine-Grained Perception

• arxiv url: http://arxiv.org/abs/2609.37123v1
• Date: Tue, 29 Sep 2026 09:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.38433
• Title: EviViT: Evidence-Adaptive Vision Transformers for Fine-Grained Perception
• Title（参考訳）: EviViT:細粒度知覚のためのエビデンス適応型視覚変換器
• Abstract要約: EviViTは、事前訓練された視覚変換器がどこで詳細を取得するべきかを学習する軽量アタッチメントである。 人間の視覚探索は、元のピクセルから地域再読解を導く、疑問条件付きエビデンス密度を監督する。 疎密で座標対応のブリッジは、地域の特徴をグローバルなシーンに接続し、ホストがコンテキスト内で正確な証拠を解釈できるようにする。
• 参考スコア（独自算出の注目度）: 12.800504071569241
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-grained visual perception enables vision-language models to distinguish subtle attributes and ground their answers in visual evidence. In high-resolution scenes, processing the whole image at greater resolution spends visual tokens on irrelevant content, while isolated crops can lose the context needed to interpret the selected evidence. We introduce EviViT, a lightweight attachment that learns where a pretrained vision transformer should acquire detail. Human visual-search traces supervise a question-conditioned evidence density, which guides regional re-reading from the original pixels and the allocation of visual tokens. A sparse, coordinate-aware bridge then connects the regional features to the global scene, allowing the host to interpret precise evidence in context. Learned with the host backbone frozen, the attachment serves both the base model and compatible post-trained descendants without refitting. Experiments across nine hosts show consistent gains in average fine-grained accuracy. Matched-budget comparisons further show that EviViT outperforms global-only processing at every tested token ceiling while using fewer visual tokens.
• Abstract（参考訳）: きめ細かい視覚知覚により、視覚言語モデルは微妙な属性を区別し、その答えを視覚的証拠に根拠付けることができる。 高解像度のシーンでは、画像全体をより高解像度で処理し、無関係なコンテンツに視覚的なトークンを費やし、孤立した作物は選択された証拠を解釈するのに必要なコンテキストを失う可能性がある。 EviViTは、事前訓練された視覚変換器がどこで詳細を取得するべきかを学習する軽量アタッチメントである。 人間のビジュアルサーチは、元のピクセルからの地域再読出しと視覚トークンの割り当てを導く、質問条件のエビデンス密度を監督する。 疎密で座標対応のブリッジは、地域の特徴をグローバルなシーンに接続し、ホストがコンテキスト内で正確な証拠を解釈できるようにする。 ホストのバックボーンを凍結して学習すると、アタッチメントはベースモデルと互換性のあるポストトレーニング後の子孫の両方に適合する。 9つのホストに対する実験では、平均的なきめ細かい精度で一貫した利得を示す。 マッチング予算の比較により、EviViTはテストされたトークン天井ごとにグローバルのみの処理より優れており、視覚的トークンが少ないことが示されている。

関連論文リスト

• EviAnchor: Mitigating Hallucinations in Large Vision-Language Models via Regional Visual Evidence Compensation [30.996670295558612]
  EviAnchorは世代を通して視覚的証拠を保存・再活性化するフレームワークである。 POPE、CHAIR、MMHal-Benchにわたる実験は、視覚的接地における一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-08-29T06:45:18Z)
• Steerable Visual Representations [72.39044430620977]
  我々は、グローバルでローカルな機能を自然言語で操れるステアブルなビジュアル表現を紹介した。 また,本手法は,異常検出とパーソナライズされた対象の識別に専用アプローチを適合させ,性能を向上する。
  論文  参考訳（メタデータ） (2026-04-02T17:59:49Z)
• Mostly Text, Smart Visuals: Asymmetric Text-Visual Pruning for Large Vision-Language Models [51.475129418355465]
  大規模視覚言語モデルに対する単純で効果的な非対称テキスト・ビジュアル・ウェイト・プルーニング法を提案する。 まず、キャリブレーションプールはすべてのテキストトークンと視覚トークンのサブセットに描画することで適応的に構築される。
  論文  参考訳（メタデータ） (2026-03-16T23:23:05Z)
• Focus-Scan-Refine: From Human Visual Perception to Efficient Visual Token Pruning [78.75062483648243]
  視覚言語モデル(VLM)は、しばしば大量の視覚トークンを生成し、推論遅延とメモリフットプリントを大幅に増加させる。 視覚的質問に対して人間がどのように答えるかを模倣する,人間にインスパイアされたプラグアンドプレイプルーニングフレームワークであるFSRを提案する。 FSRは、既存の最先端プルーニング法よりも精度と効率のトレードオフを一貫して改善する。
  論文  参考訳（メタデータ） (2026-02-05T16:02:48Z)
• Understanding the Effect of using Semantically Meaningful Tokens for Visual Representation Learning [40.08368469646114]
  視覚言語事前学習フレームワーク内のトランスフォーマーエンコーダに対して意味論的に意味のある視覚トークンを提供する。 テキスト・ツー・イメージ検索タスクと画像・テキスト検索タスク間で学習された表現品質のViTに対する顕著な改善を示す。
  論文  参考訳（メタデータ） (2024-05-26T01:46:22Z)
• RCA: Region Conditioned Adaptation for Visual Abductive Reasoning [16.777952099967113]
  領域条件適応は、視覚的帰納的推論のためのパラメータ効率の良い微調整法である。 局所的なヒント」と「グローバルな文脈」をCLIPモデルの視覚的プロンプトに細粒度と粗粒度を別々にエンコードする。 我々は、視覚的特徴をリテラル記述と妥当な説明の特徴へ同時に回帰させるために、コントラスト損失を修正した新しいモデルを訓練する。
  論文  参考訳（メタデータ） (2023-03-18T14:46:44Z)
• Vision Transformers: From Semantic Segmentation to Dense Prediction [139.15562023284187]
  視覚的予測のための視覚変換器(ViT)のグローバルな文脈学習の可能性について検討する。 我々のモチベーションは、グローバルコンテキストを全受容界層で学習することで、ViTがより強力な長距離依存性情報を取得することである。 階層型ローカル・グローバル・トランスフォーマー (HLG) のファミリを定式化し, 窓内部の局所的な注意と, ピラミッド建築における窓全体のグローバルアテンションを特徴とする。
  論文  参考訳（メタデータ） (2022-07-19T15:49:35Z)
• Intriguing Properties of Vision Transformers [114.28522466830374]
  視覚変換器(ViT)は、様々なマシンビジョン問題にまたがって印象的な性能を誇示している。 我々は、この問題を広範囲の実験を通して体系的に研究し、高性能畳み込みニューラルネットワーク(CNN)との比較を行った。 ViTsの効果的な特徴は、自己認識機構によって可能なフレキシブルな受容と動的場によるものであることを示す。
  論文  参考訳（メタデータ） (2021-05-21T17:59:18Z)

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。