論文の概要: Spatial Lifting for Dense Prediction

• arxiv url: http://arxiv.org/abs/2610.00017v1
• Date: Mon, 27 Jul 2026 15:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.310904
• Title: Spatial Lifting for Dense Prediction
• Title（参考訳）: デンス予測のための空間リフティング
• Abstract要約: 本稿では,高密度予測タスクのための新しい手法であるSpatial Lifting(SL)を提案する。 SLは2D画像などの標準的な入力を高次元空間に持ち上げ、その後3D U-Netのような高次元のために設計されたネットワークを用いて処理する。
• 参考スコア（独自算出の注目度）: 14.852895146318964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Spatial Lifting (SL), a novel methodology for dense prediction tasks. SL operates by lifting standard inputs, such as 2D images, into a higher-dimensional space and subsequently processing them using networks designed for that higher dimension, such as a 3D U-Net. Counterintuitively, this dimensionality lifting allows us to achieve good performance on benchmark tasks compared to conventional approaches, while reducing inference costs and \textbf{drastically lowering the number of model parameters}. The SL framework produces intrinsically structured outputs along the lifted dimension. This emergent structure facilitates dense supervision during training and enables single-forward-pass self-consistency-based quality and uncertainty estimation at test time. Spatial Lifting introduces a simple and general modeling strategy that offers a promising path toward more efficient, accurate, and reliable deep networks for dense prediction tasks in vision.
• Abstract（参考訳）: 本稿では,高密度予測タスクのための新しい手法であるSpatial Lifting(SL)を提案する。 SLは2D画像などの標準的な入力を高次元空間に持ち上げ、その後3D U-Netのような高次元のために設計されたネットワークを用いて処理する。 反対に、この次元持ち上げは、推論コストを削減し、モデルパラメータの数を劇的に減少させながら、従来の手法と比較してベンチマークタスクの優れた性能を達成することができる。 SLフレームワークは、昇降次元に沿って本質的に構造化された出力を生成する。 この創発的構造は、訓練中の密集的な監視を促進し、単方向の自己整合性に基づく品質とテスト時の不確実性推定を可能にする。 空間リフティング(Spatial Lifting)は、視覚における高密度な予測タスクのためのより効率的で正確で信頼性の高いディープネットワークへの有望な経路を提供する、シンプルで一般的なモデリング戦略を導入する。

関連論文リスト

• TPS-Drive: Task-Guided Representation Purification for VLM-based Autonomous Driving [4.149502662454591]
  VLM(Vision-Language Models)は、自動運転計画のための有望な基盤を提供する。 TPS-Driveは,タスクガイド型表現精製を主眼とした新しいフレームワークである。 TPS-Driveは正確なエージェント空間状態予測を実現し、オープンループnuScenes評価における衝突率を低減する。
  論文  参考訳（メタデータ） (2026-05-26T13:56:31Z)
• Visual Autoregressive Modelling for Monocular Depth Estimation [69.01449528371916]
  本稿では,視覚的自己回帰(VAR)に基づく単眼深度推定手法を提案する。 提案手法は,大規模テキスト・画像VARモデルに適応し,スケールワイド・コンディショナル・アップサンプリング機構を導入する。 本研究では,屋内ベンチマークにおける制約付きトレーニング条件下での最先端性能と,屋外データセットに適用した場合の強い性能について報告する。
  論文  参考訳（メタデータ） (2025-12-27T17:08:03Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• Spatial Lifting for Dense Prediction [6.596393783279435]
  本稿では,高密度予測タスクのための新しい手法であるSpatial Lifting(SL)を提案する。 SLは2D画像などの標準的な入力を高次元空間に持ち上げ、その後3D U-Netのような高次元のために設計されたネットワークを用いて処理する。 我々は、19のベンチマークデータセットにまたがるアプローチを検証するとともに、モデルパラメータ数を98%以上削減し、推論コストを下げながら、競合する高密度予測性能を実証した。
  論文  参考訳（メタデータ） (2025-07-14T12:39:07Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Rethinking Lightweight Salient Object Detection via Network Depth-Width Tradeoff [26.566339984225756]
  既存の有能なオブジェクト検出手法では、より深いネットワークが採用され、性能が向上する。 本稿では,U字形構造を3つの相補枝に分解することで,新しい3方向デコーダフレームワークを提案する。 提案手法は,5つのベンチマークにおいて効率と精度のバランスが良くなることを示す。
  論文  参考訳（メタデータ） (2023-01-17T03:43:25Z)

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。