論文の概要: Atomizer-IO: Beyond Pixels, Patches and Grids

• arxiv url: http://arxiv.org/abs/2609.40320v1
• Date: Wed, 30 Sep 2026 17:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.303555
• Title: Atomizer-IO: Beyond Pixels, Patches and Grids
• Title（参考訳）: Atomizer-IO: ピクセル、パッチ、グリッドを超えて
• Abstract要約: ほとんどの視覚アーキテクチャは、観測は通常の格子の上にあり、自然画像の効果的な抽象化であるが、チャネル、時間的サンプリング、解像度、幾何学が変化するようなデータを検知するための制限的な抽象化であると考えている。 Atomizer-IOは、まず観測を配置し、それらの物理的関係から構造を導出するアーキテクチャである。
• 参考スコア（独自算出の注目度）: 10.682692682750767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most vision architectures assume that observations lie on a regular grid, an effective abstraction for natural images but a restrictive one for sensing data whose channels, temporal sampling, spatial resolution, and geometry can vary. Generic set-based architectures remove the grid, but also remove useful spatial inductive biases. We introduce Atomizer-IO, an architecture that places observations first and derives structure from their physical relationships. Building on top of an atomic representation of the data, each observation is described by its measurement and acquisition metadata, while local cross-attention maps observations to anchor points that can be arbitrarily placed. We evaluate this design by progressively relaxing the grid assumption, from varying input raster configurations and incomplete channel sets to flexible output density and, ultimately, inputs without a raster grid. Atomizer-IO is competitive with flexible EO-specific architectures on most tasks, while offering post-training control over inference cost and competitive compute--performance trade-offs. The same formulation extends without architectural redesign to unordered 3D point clouds, showing that the atomic interface generalizes beyond regular raster inputs. These results suggest that pixels, patches, and grids do not need to define the interface of a sensing architecture.
• Abstract（参考訳）: ほとんどの視覚アーキテクチャでは、観測は通常の格子の上にあり、自然画像の効果的な抽象化であるが、チャネル、時間的サンプリング、空間分解能、幾何学が変化するようなデータを検知するための制限的なものであると仮定している。 ジェネリックセットベースのアーキテクチャはグリッドを除去するだけでなく、有用な空間帰納バイアスを除去する。 Atomizer-IOは、まず観測を配置し、それらの物理的関係から構造を導出するアーキテクチャである。 データの原子的表現の上に構築された各観測は、その測定と取得メタデータによって記述され、一方、局所的な横断的な観測は、任意に配置できるアンカーポイントにマップされる。 入力ラスター構成や不完全チャネルセットの変動からフレキシブルな出力密度、最終的にはラスターグリッドなしでの入力に至るまで、グリッドの仮定を段階的に緩和することで、この設計を評価する。 Atomizer-IOは、ほとんどのタスクにおいて柔軟なEO固有のアーキテクチャと競合する一方で、推論コストと競争力のある計算性能トレードオフをトレーニング後の制御を提供する。 同じ定式化は、アーキテクチャ上の再設計なしに、非秩序な3次元点雲に拡張され、原子インターフェースが通常のラスタ入力を超えて一般化されることが示されている。 これらの結果は、ピクセル、パッチ、グリッドはセンシングアーキテクチャのインターフェースを定義する必要がないことを示唆している。

関連論文リスト

• ObliCity: A Benchmark and Baseline for Roof-to-Ground Projection Displacement Correction [23.351835462733074]
  Roof-to-footprint offset vector(RFOV)抽出は、意味的セグメンテーションから幾何学的アライメントを分離する学習タスクである。 方法論的には、DragOSMを人間行動にインスパイアされたODEベースのフレームワークであるDragRoofに再構成する。 ObliCityの実験は、DragRoofが最先端のRFOV抽出性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-07-28T02:31:47Z)
• TerraDiT-$Ω$: Unified Spatial Control for Satellite Image Synthesis with Any Geospatial Primitive [19.699267665705715]
  TerraDiT-$は、任意のネイティブプリミティブから直接衛星画像を生成する統合空間制御フレームワークである。 生成モデルは驚くべき進歩を遂げているが、衛星画像に適用することは依然として困難である。
  論文  参考訳（メタデータ） (2026-06-30T01:56:41Z)
• Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction [77.75911117889915]
  現在のエンドツーエンドのマルチビュー3D再構成手法は、目覚ましい結果を得るが、制限的な静的仮定に依存している。 この理想的な入力への依存は、最も高度なメソッドでさえ、現実世界の設定で失敗する原因となる。 非一貫性の視点から頑健な再構築を行うためのエンドツーエンドフレームワークであるWildにおけるビジュアルジオメトリトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2026-06-22T02:52:22Z)
• Towards Localizing Structural Elements: Merging Geometrical Detection with Semantic Verification in RGB-D Data [0.0]
  本稿では, 壁面や地表面などの構造成分を局所化するための実時間パイプラインについて, 純三次元平面検出のための幾何計算を統合した。 並列なマルチスレッドアーキテクチャを持ち、環境中で検出されたすべての平面のポーズと方程式を正確に推定し、汎視的セグメンテーション検証を用いて地図構造を形成するものをフィルタリングし、検証された構成部品のみを保持する。 また、検出されたコンポーネントを統一された3次元シーングラフに(再)関連付けることで、幾何学的精度と意味的理解のギャップを埋めることもできる。
  論文  参考訳（メタデータ） (2024-09-10T16:28:09Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
  我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。 この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。 これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
  論文  参考訳（メタデータ） (2021-12-27T14:05:41Z)
• Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
  畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。 この目標をシンプルで効果的な設計で効果的に達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-08T03:35:32Z)

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。