論文の概要: SPACE-CLIPv2: Decoding Local Geometry from Frozen CLIP for Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2610.05029v1
• Date: Sun, 04 Oct 2026 07:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 06:56:03.123563
• Title: SPACE-CLIPv2: Decoding Local Geometry from Frozen CLIP for Monocular Depth Estimation
• Title（参考訳）: SPACE-CLIPv2:単眼深度推定のための冷凍CLIPからの局所幾何学の復号
• Abstract要約: 本稿では,CLIPトークン空間内の固定された局所近傍を集約する冷凍バックボーン深度デコーダであるSPACE-CLIPv2を提案する。 結果は、凍結したCLIP表現からジオメトリを復号するための実用的なメカニズムとして、制約付きローカルトークンアグリゲーションをサポートする。
• 参考スコア（独自算出の注目度）: 1.974260222891855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language foundation models such as CLIP provide strong semantic representations, but their patch tokens are not directly optimized for dense metric geometry. SPACE-CLIP showed that frozen CLIP features can support monocular depth estimation through layer-group feature fusion, yet it leaves open how neighboring CLIP tokens should be combined to recover fine local structure. We present SPACE-CLIPv2, a frozen-backbone depth decoder that aggregates fixed local neighborhoods in CLIP token space. At selected decoder stages, the model samples a fixed token stencil, predicts aggregation weights, and injects the resulting response through a gated residual update. A token-space high-pass branch further preserves shallow local contrast. On NYU Depth V2, SPACE-CLIPv2 improves over a matched SPACE-CLIP baseline, while five-seed experiments consistently favor fixed over learned-offset sampling. Zero-shot iBims-1 evaluation further improves boundary and planar-geometry measures. These results support constrained local token aggregation as a practical mechanism for decoding geometry from frozen CLIP representations.
• Abstract（参考訳）: CLIPのような視覚言語基盤モデルは強力な意味表現を提供するが、それらのパッチトークンは密度幾何学に直接最適化されていない。 SPACE-CLIPは、凍結したCLIP機能が層群機能融合による単眼深度推定をサポートすることを示したが、近隣のCLIPトークンをどのように組み合わせて局所構造を復元するかは明らかにされていない。 本稿では,CLIPトークン空間内の固定された局所近傍を集約する冷凍バックボーン深度デコーダであるSPACE-CLIPv2を提案する。 選択されたデコーダの段階で、モデルは固定されたトークンステンシルをサンプリングし、集約重みを予測し、ゲートされた残留更新を通じて結果の応答を注入する。 トークン空間のハイパスブランチは、さらに浅い局所コントラストを保存する。 NYU Depth V2では、SPACE-CLIPv2は一致したSPACE-CLIPベースラインよりも改善されている。 ゼロショットiBims-1の評価は境界と平面測度をさらに改善する。 これらの結果は、凍結したCLIP表現からジオメトリを復号するための実用的なメカニズムとして、制約付き局所トークンアグリゲーションをサポートする。

関連論文リスト

• HyperCLIP++: Fine-tuning CLIP forOpen-vocabulary Semantic Segmentation in Hyperbolic Space [52.9767967184765]
  近年の研究では、CLIPのテキストと画像エンコーダの微調整により、セグメンテーション性能が向上することが示されている。 本稿では,新しいパラメータ効率適応戦略であるHyperCLIP++を提案する。 実験の結果,HyperCLIP++は3つのベンチマークで最先端のパフォーマンスを実現していることがわかった。
  論文  参考訳（メタデータ） (2026-09-21T13:26:39Z)
• SCI-CLIP: Segment-Centric Inference with Reference Memory for Training-Free Open-Vocabulary Segmentation [0.6015898117103069]
  本稿では,SCI-CLIPについて述べる。SCI-CLIPはセグメンテーション中心の推論フレームワークで,同じ領域の抽象化は,密接な開語彙予測のすべての段階を整理するべきだという原則に基づいて構築されている。 SCI-CLIPは、凍結したCLIPスタイルの機能を、トレーニングなしで空間的に一貫性があり、コンテキストを認識し、検索に適合する高密度な予測に変換する。
  論文  参考訳（メタデータ） (2026-08-06T05:47:30Z)
• From Global to Local: Rethinking CLIP Feature Aggregation for Person Re-Identification [20.74226476678832]
  中間パッチトークンとCLIPのテキスト埋め込み空間でパラメータ化されたアンカーベクトルを整列することで、同一性表現を再構築するSAGA-ReIDを提案する。 制御された実験は、2つの定性的に異なる条件下で凝集機構を分離する。 ベンチマーク評価では、CLIP-ReIDよりも標準設定と無視設定で一貫したゲインを確認している。
  論文  参考訳（メタデータ） (2026-04-24T03:37:21Z)
• microCLIP: Unsupervised CLIP Adaptation via Coarse-Fine Token Fusion for Fine-Grained Image Classification [22.795156284628053]
  微細な画像分類のためのCLIPベースの視覚モデル(VLM)の教師なし適応には、顕微鏡的局所的手がかりに対する感度が必要である。 我々は,CLIPの視覚的表現とテキスト的表現を微調整する自己学習フレームワークである$textbfmicroCLIP$を提案する。
  論文  参考訳（メタデータ） (2025-10-02T17:47:39Z)
• Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
  LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。 既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。 筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
  論文  参考訳（メタデータ） (2025-08-28T06:36:10Z)
• Partial CLIP is Enough: Chimera-Seg for Zero-shot Semantic Segmentation [55.486872677160015]
  本稿では,体としてのセグメンテーションバックボーンと,頭部としてのCLIPベースのセマンティックヘッドを統合したChimera-Segを提案する。 特に、Chimera-Segはトレーニング可能なセグメンテーションモデルとCLIPセマンティックヘッド(CLIP Semantic Head, CSH)を備えており、CLIP対応空間に高密度な特徴をマッピングする。 また,CLIP CLSトークンと高い類似性を示す濃厚な特徴から知識を抽出する選択的グローバル蒸留(SGD)を提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:26:50Z)
• Self-Supervised and Generalizable Tokenization for CLIP-Based 3D Understanding [87.68271178167373]
  凍結したCLIPバックボーンを用いたスケール不変表現学習のためのユニバーサル3Dトークン化器を提案する。 S4Tokenは、シーンスケールに関係なくセマンティックインフォームドトークンを生成するトークン化パイプラインである。
  論文  参考訳（メタデータ） (2025-05-24T18:26:30Z)
• Frozen CLIP: A Strong Backbone for Weakly Supervised Semantic Segmentation [90.35249276717038]
  弱教師付きセマンティックセグメンテーションのためのCLIPベースのシングルステージパイプラインであるWeCLIPを提案する。 具体的には、凍結したCLIPモデルを意味的特徴抽出のバックボーンとして適用する。 新しいデコーダは、最終予測のために抽出された意味的特徴を解釈するように設計されている。
  論文  参考訳（メタデータ） (2024-06-17T03:49:47Z)
• Parameter-efficient Fine-tuning in Hyperspherical Space for Open-vocabulary Semantic Segmentation [10.502680141980642]
  オープンボキャブラリセマンティックセグメンテーションは、画像中の各ピクセルに任意のテキスト記述をラベル付けしようとする。 視覚言語基盤モデル、特にCLIPは、オープン語彙能力を取得するための強力なツールとして登場した。 H-CLIPは、CLIPの総パラメータの約4%を更新するだけで、新しいSOTAオープン語彙セマンティックセマンティックセマンティクス結果を達成する。
  論文  参考訳（メタデータ） (2024-05-29T07:41:34Z)
• CLIP Can Understand Depth [6.877245323116022]
  CLIPは、Webcrawledデータによる事前学習中に、その視覚言語アライメントを最適に学習する下流タスクに適応できることを示す。 凍結したテキストエンコーダの前のセマンティクスを「ミラー」と呼ばれる単一の学習可能な埋め込み行列に蒸留する。 その結果得られたモデルは印象的なパフォーマンスを示し、NYU Depth v2とKITTIベンチマークデータセットの最先端のビジョンモデルにマッチする。
  論文  参考訳（メタデータ） (2024-02-05T18:09:33Z)

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。