論文の概要: [Re] Boosting the Visual Interpretability of CLIP via Adversarial Fine-Tuning

• arxiv url: http://arxiv.org/abs/2610.14832v1
• Date: Sat, 10 Oct 2026 11:48:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:37:08.092846
• Title: [Re] Boosting the Visual Interpretability of CLIP via Adversarial Fine-Tuning
• Title（参考訳）: 逆調整によるCLIPの視覚的解釈可能性の向上
• Abstract要約: CLIPのイメージエンコーダの視覚的解釈性を高めるために,標準正規化を用いた非教師なし逆向き微調整法(AFT)を提案する。 我々は,サリエンシマップの品質向上,コンセプトアライメントの向上,アウト・オブ・ディストリビューションデータセットへの転送可能性の向上,ゼロショット精度でのトレードオフに関する重要な主張を再現する。 我々は,サリエンシ・サスウェイトの範囲にまたがる拡張を評価し,明示的なサリエンシ監視が局部化の指標を緩やかなコストで改善することを示す。
• 参考スコア（独自算出の注目度）: 39.21925553022995
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a reproducibility study of ``Boosting the Visual Interpretability of CLIP via Adversarial Fine-Tuning'', published at ICLR 2025, which proposes an unsupervised adversarial fine-tuning (AFT) method with norm regularisation to enhance the visual interpretability of CLIP's image encoder. We attempt to reproduce the key claims regarding improved saliency map quality, increased concept alignment, transferability to out-of-distribution datasets, and the trade-off with zero-shot accuracy. Beyond reproduction, we propose a saliency-guided regularisation extension that introduces an Energy Pointing Game loss, directly supervising the spatial alignment of Simple Gradient saliency maps with target objects. We evaluate our extension across a range of saliency-loss weights and show that explicit saliency supervision \rev{substantially} improves localisation metrics at a modest cost: the reduction in zero-shot accuracy and adversarial robustness is small at the lowest saliency-loss weight ($w_s=0.2$) and moderate at the strongest setting ($w_s=0.6$). We restructure the codebase for configurable, systematic experimentation.
• Abstract（参考訳）: 本稿では,CLIPの映像エンコーダの視覚的解釈性を高めるために,標準正規化による非教師なし逆向き微調整法(AFT)を提案する。 本研究では,サリエンシマップの品質向上,コンセプトアライメントの向上,アウト・オブ・ディストリビューションデータセットへの転送可能性の向上,ゼロショット精度でのトレードオフに関する重要な主張を再現しようと試みる。 再生の他に、エネルギーポインティングゲーム損失を導入し、対象物との空間的アライメントを直接監視するサリエンシ誘導型正規化拡張を提案する。 以上の結果から,無ショットの精度と対向ロバスト性の低下は,最安値(w_s=0.2$)で,最安値(w_s=0.6$)では中等度(w_s=0.6$)では小さい。 構成可能で体系的な実験のためにコードベースを再構築します。

関連論文リスト

• Beyond Saying Less: Fine-Grained Alignment for Informative and Faithful Vision-Language Models [71.46915245859357]
  物体幻覚は、大きな視覚言語モデルにとって依然として大きな課題である。 本稿では,データレベルでの高密度報酬信号と,アルゴリズムレベルでの正確な信用割当を結合する微粒化アライメントフレームワークを提案する。 本手法は, 識別評価において, 顕著な性能向上を図りながら, 生成タスクにおける高情報かつ忠実な記述を生成する。
  論文  参考訳（メタデータ） (2026-09-28T14:37:33Z)
• Bridging the Perceptual Gap: Residual-Enhanced Downscaling and Manifold-Aware Perception Alignment Adaptation for NR-IQA [19.22449941750196]
  主観的意味論から知覚的歪みを遠ざけるように設計された多様体認識フレームワークを提案する。 我々の手法は最先端の手法を大きく上回っている。
  論文  参考訳（メタデータ） (2026-09-15T05:38:56Z)
• UBLLIE: Unified Backlight and Low-Light Image Enhancement [15.386282490743838]
  バックライトと低照度の画像は、しばしば激しい露光不均衡や地球規模の露出不足に悩まされる。 両タイプの劣化に対処する統一的で教師なしの強化フレームワークを提案する。 我々のフレームワークは、忠実さ、知覚的品質、一般化の観点から、最先端の教師あり、教師なしの手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-08-05T04:17:05Z)
• Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
  サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。 特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
  論文  参考訳（メタデータ） (2026-07-10T14:19:42Z)
• Exploring the Limits of End-to-End Feature-Affinity Propagation for Single-Point Supervised Infrared Small Target Detection [6.7126559398433665]
  単一点制御赤外線小ターゲット検出(IRSTD)は、高密度アノテーションのコストを大幅に削減する。 現在のSOTA(State-of-the-art)手法は、マスクの監督を明示的でオフラインな擬似ラベル構成によって回収することにより、高精度を実現する。 最小限の代替策として、オンラインのポイント・ツー・マスク・イン・バッチ、ポイント・アンカレド・フィーチャー・アフィニティ・プロパゲーションを通じて、ポイント・ツー・マスクをオンラインに生成する手法について検討する。
  論文  参考訳（メタデータ） (2026-05-01T15:08:46Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• FoCLIP: A Feature-Space Misalignment Framework for CLIP-Based Image Manipulation and Detection [25.808813569367135]
  我々は,CLIPベースの画像品質指標を騙す機能空間の誤調整フレームワークである textbfFoCLIP を提案する。 FoCLIPは3つの重要なコンポーネントを統合して、ばかげた例を構築する。 10の芸術的傑作プロンプトとImageNetサブセットの実験では、最適化されたイメージがCLIPscoreで大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2025-11-10T10:54:35Z)
• Enhancing CLIP Robustness via Cross-Modality Alignment [54.01929554563447]
  視覚言語モデルのための最適なトランスポートベースフレームワークであるクロスモダリティアライメントを提案する。 COLAは、グローバルな画像テキストアライメントと特徴空間における局所的な構造的一貫性を復元する。 COLAはトレーニングフリーで、既存の微調整モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-10-28T03:47:44Z)
• Realistic Unsupervised CLIP Fine-tuning with Universal Entropy Optimization [101.08992036691673]
  本稿では,未知のクラスにおける配布外サンプルの存在を考慮し,教師なしの微調整シナリオについて考察する。 特に,分布外検出と既知のクラスに関連するインスタンスの認識を同時に強化することに注力する。 我々はUniversal Entropy Optimization(UEO)と呼ばれるシンプルで効率的で効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-24T16:47:17Z)
• Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
  本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。 表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T12:20:29Z)

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。