論文の概要: Learning to Discriminate Scene Structures Makes Self-Supervised Depth Learning Scalable

• arxiv url: http://arxiv.org/abs/2610.23600v1
• Date: Fri, 16 Oct 2026 15:17:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.984888
• Title: Learning to Discriminate Scene Structures Makes Self-Supervised Depth Learning Scalable
• Title（参考訳）: シーン構造を識別する学習は、自己監督型深度学習をスケーラブルにする
• Abstract要約: 本研究では,多種多様なデータに対して自己教師付き深度学習をスケーラブルにすることを目的としたMASSフレームワークを提案する。 MASSは、文脈的特徴から明確に分離された専用の構造的表現経路を導入する。 MASSは従来の自己管理手法よりも大幅に優れており、混合ドメイントレーニングの恩恵を一貫して受ける最初のものである。
• 参考スコア（独自算出の注目度）: 8.777292253201162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised monocular depth estimation is appealing for its potential to scale with unlabeled data, yet existing methods often degrade when trained on diverse scenes. This study finds that, under self-supervision, models tend to encode dataset-specific structural biases rather than transferable scene geometry, leading to cross-domain optimization conflicts. To address this issue, this study proposes the MaSS framework, aiming to make self-supervised depth learning scalable to diverse data. MaSS introduces a dedicated structural representation pathway explicitly decoupled from contextual features, which is guided by a novel scene-structure discrimination objective to learn generalized, layout-aware structural representations for depth decoding. Trained and evaluated on four diverse datasets, both individually and jointly, MaSS substantially outperforms prior self-supervised methods and is the first to consistently benefit from mixed-domain training. Zero-shot evaluation on eight additional datasets further demonstrates its remarkable generalizability, particularly on those entirely out-of-distribution scenes. The source code is publicly available at https://mias.group/MaSS.
• Abstract（参考訳）: 自己監督された単眼深度推定は、ラベルのないデータでスケールする可能性をアピールしているが、既存の手法は様々な場面で訓練すると劣化することが多い。 この研究は、自己スーパービジョンの下では、モデルが転送可能なシーン幾何学よりもデータセット固有の構造バイアスを符号化する傾向にあり、ドメイン間の最適化の矛盾が生じることを示した。 この問題に対処するため,本研究では,多種多様なデータに対して自己教師付き深度学習をスケーラブルにすることを目的としたMASSフレームワークを提案する。 MaSSは、コンテキスト特徴から明確に分離された専用の構造表現経路を導入し、この経路は、深度復号のための一般化されたレイアウト対応構造表現を学習するための、新しいシーン構造識別目標によって導かれる。 個人と共同で4つの多様なデータセットでトレーニングされ、評価され、MSSは従来よりも大幅に優れており、混合ドメイントレーニングの一貫して恩恵を受ける最初のものである。 8つの追加データセットのゼロショット評価は、その顕著な一般化性、特に完全に配布されていないシーンについてさらに証明する。 ソースコードはhttps://mias.group/MaSS.comで公開されている。

関連論文リスト

• Selectivity Drives Efficiency: Dataset Pruning for Visual Place Recognition [52.52131290631774]
  視覚的位置認識(VPR)に適したプレースワイズ・データセット・プルーニング・フレームワークを提案する。 本手法は,各場所を基本刈取単位として扱い,IPD(Intra-place diversity)とIPS(Inter-place similarity)の2つの新しい指標を導入する。 実験により, 提案手法は, 最先端のDPベースラインを異なるプルーニング比で連続的に上回ることを示した。
  論文  参考訳（メタデータ） (2026-07-16T12:16:00Z)
• UnCLe: Benchmarking Unsupervised Continual Learning for Depth Completion [5.677777151863184]
  UnCLeは、マルチモーダル3D再構成タスクの教師なし連続学習のための最初の標準ベンチマークである。 連続したデータストリーム上の教師なし学習の実践シナリオ下で、深度補完モデルをベンチマークする。
  論文  参考訳（メタデータ） (2024-10-23T17:56:33Z)
• Transferring to Real-World Layouts: A Depth-aware Framework for Scene Adaptation [34.786268652516355]
  教師なしドメイン適応(UDA)によるシーンセグメンテーションは、ソース合成データから取得した知識を現実のターゲットデータに転送することを可能にする。 深度推定を明示的に活用してカテゴリを混合し,2つの補完的タスク,すなわちセグメンテーションと深度学習を促進するための奥行き認識フレームワークを提案する。 特に、このフレームワークには、DCF(Depth-guided Contextual Filter)フォーンデータ拡張と、コンテキスト学習のためのクロスタスクエンコーダが含まれている。
  論文  参考訳（メタデータ） (2023-11-21T15:39:21Z)
• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• Bilevel Fast Scene Adaptation for Low-Light Image Enhancement [50.639332885989255]
  低照度シーンにおける画像の強調は、コンピュータビジョンにおいて難しいが、広く懸念されている課題である。 主な障害は、異なるシーンにまたがる分散の相違によるモデリングの混乱にある。 上述の潜在対応をモデル化するための双レベルパラダイムを導入する。 エンコーダのシーン非関連な一般化を多様なシーンにもたらすために、双方向学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-06-02T08:16:21Z)
• Continual Vision-Language Representation Learning with Off-Diagonal Information [112.39419069447902]
  CLIPのようなマルチモーダルなコントラスト学習フレームワークは通常、トレーニングに大量の画像テキストサンプルを必要とする。 本稿では,ストリーミングデータを用いた連続CLIPトレーニングの実現可能性について論じる。
  論文  参考訳（メタデータ） (2023-05-11T08:04:46Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)

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。