論文の概要: SAGE: Salient Factor Discovery and Generation with Visual Foundation Representations

• arxiv url: http://arxiv.org/abs/2609.39635v1
• Date: Wed, 30 Sep 2026 12:41:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.782514
• Title: SAGE: Salient Factor Discovery and Generation with Visual Foundation Representations
• Title（参考訳）: SAGE: Visual Foundationの表現による健全な要因発見と生成
• Abstract要約: SAGEは、凍結表現オートエンコーダの高次元空間潜時において、両方の因子を直接学習する。 Digits-ImageNet と FFHQ の眼鏡では、SAGE は高忠実度テクトライト再構成と教師なしテクトライトサブタイプ発見を組み合わせている。 網膜OCTでは、SAGEは正常/解離ラベルのみを用いて3つの疾患を分離する。
• 参考スコア（独自算出の注目度）: 8.718764647391271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given a target dataset, such as faces with eyeglasses, and a background dataset, such as faces without, contrastive analysis separates \textit{salient} factors specific to the target from \textit{common} content shared by both. We aim for salient representations that capture target-specific detail in each image, such as the shape, color, and position of the glasses, so that they reveal subtypes without subtype labels and guide the generation of new examples of a discovered subtype, even one with no name or text description. We introduce SAGE, which learns both factors directly in the high-dimensional spatial latent of a frozen representation autoencoder and conditions a diffusion transformer on the learned salient representation of a reference image. On Digits-ImageNet and FFHQ eyeglasses, SAGE combines high-fidelity \textit{reconstruction} (rFID below $2$) with unsupervised \textit{subtype discovery}, recovering the digits better than baselines (probe accuracy $0.950$ vs.\ at most $0.281$) and revealing eyewear types, finer sunglasses styles, and mislabeled images; salient-conditioned \textit{generation} raises Digits-ImageNet subtype accuracy over the unfactorized latent ($90.5\%$ vs.\ $27.7\%$) and diversity on both datasets. On retinal OCT, SAGE's salient space separates three diseases using only normal/disease labels.
• Abstract（参考訳）: 眼鏡をかけた顔のようなターゲットデータセットと、顔のない顔のような背景データセットが与えられた場合、対照的な分析は、ターゲット固有の \textit{salient} 要素を、両方が共有する \textit{common} コンテンツから分離する。 本研究の目的は,眼鏡の形状,色,位置など,各画像のターゲット固有の細部をキャプチャして,サブタイプラベルのないサブタイプを明らかにし,名前や文字の記載のないサブタイプの新たな例を生成することにある。 本稿では,凍結表現オートエンコーダの高次元空間潜時を直接的に学習するSAGEと,学習した参照画像の塩分表現に拡散変換器を条件とするSAGEを紹介する。 Digits-ImageNetとFFHQの眼鏡では、SAGEは高忠実度 \textit{reconstruction} (rFIDが2ドル以下)と教師なし \textit{subtype discovery}を組み合わせ、ベースライン(精度0.950ドル対)よりも高いディジットを回復する。 salient-conditioned \textit{generation} は、リファクタリングされていない潜伏者に対して Digits-ImageNet のサブタイプ精度を 90.5 %$ に引き上げる。 は27.7\%$で、両方のデータセットに多様性がある。 網膜OCTでは、SAGEは正常/解離ラベルのみを用いて3つの疾患を分離する。

関連論文リスト

• Sorry Robot, Happy Human: Vision-Language Models Read Only One of Two Legible Typographic Layers [0.0]
  データセットは300の画像で構成されており、それぞれが鋭い輪郭線を持つテキストを、柔らかいシェーディングを持つ別のテキストに重ね合わせている。 検証研究により、人間の被験者は両方のテキスト層を高い精度で読み取ることができた。 モデルは高解像度でほぼ人間に近い精度で輪郭テキストを読み取るが、シェーディングテキストを完全に抽出することはなかった。
  論文  参考訳（メタデータ） (2026-09-25T15:27:21Z)
• Generative Retrieval for Unsupervised Text-Based Person Search [77.46429603553388]
  テキストベースの人物検索(TBPS)は,ある自然言語記述に基づいて,大きな画像ギャラリーから対象者の画像を検索することを目的としている。 本稿では,2段階の世代別検索フレームワークであるGTR+を提案する。 また、高品質できめ細かいテキストアノテーションを備えた大規模TBPSデータセットであるLargeFine-Personにもコントリビュートしています。
  論文  参考訳（メタデータ） (2026-09-11T15:25:00Z)
• $β$-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment [53.42377319350806]
  $-CLIPは、多言語テキスト条件のコントラスト学習フレームワークである。 $-CALは、この階層に固有のセマンティックオーバーラップに対処する。 $-CLIPは、高密度視覚言語対応のための堅牢で適応的なベースラインを確立する。
  論文  参考訳（メタデータ） (2025-12-14T13:03:20Z)
• PV2TEA: Patching Visual Modality to Textual-Established Information Extraction [59.76117533540496]
  我々は、その視覚的モダリティをテキスト化された属性情報抽出器にパッチする。 PV2TEAは3つのバイアス低減方式を備えたエンコーダデコーダアーキテクチャである。 実世界のeコマースデータセットに関する実証的な結果は、絶対値11.74%(相対値20.97%)のF1の増加を示す。
  論文  参考訳（メタデータ） (2023-06-01T05:39:45Z)
• StyO: Stylize Your Face in Only One-shot [11.715601955568536]
  本稿では,1つの芸術的対象を持つ顔のスタイリングに焦点を当てた。 このタスクの既存の作業は、ジオメトリの変化を達成しながら、ソース内容の保持に失敗することが多い。 上記の問題を解決するために,新しいStyOモデル,すなわち1ショットで顔をスタイリングする。
  論文  参考訳（メタデータ） (2023-03-06T15:48:33Z)
• Invariant Learning via Diffusion Dreamed Distribution Shifts [121.71383835729848]
  拡散ドリーム分布シフト(D3S)と呼ばれるデータセットを提案する。 D3Sは、テキストプロンプトを用いてStableDiffusionを通じて生成された合成画像と、サンプルフォアグラウンドイメージを背景テンプレートイメージにペーストした画像ガイドから構成される。 拡散モデルの驚くべきフォトリアリズムのため、我々の画像は以前の合成データセットよりも自然な画像に近い。
  論文  参考訳（メタデータ） (2022-11-18T17:07:43Z)
• Learned Spatial Representations for Few-shot Talking-Head Synthesis [68.3787368024951]
  複数発話頭合成のための新しいアプローチを提案する。 この異方性表現は,従来の手法よりも大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2021-04-29T17:59:42Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)

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。