論文の概要: LateMatch: Breaking the Interaction Bottleneck via Cacheable Matching for Efficient Visual Localization

• arxiv url: http://arxiv.org/abs/2610.25358v1
• Date: Sun, 18 Oct 2026 15:59:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:09:27.349972
• Title: LateMatch: Breaking the Interaction Bottleneck via Cacheable Matching for Efficient Visual Localization
• Title（参考訳）: LateMatch: 効率的な視覚的ローカライゼーションのためのキャッシュ可能なマッチングによるインタラクションブートネックのブレーク
• Abstract要約: lateMatchは、イメージ間のインタラクションを最終レイヤに遅延させることで、既存のマーカを再構築する。 E-SToREは、クロスイメージインタラクションの直前にトークン数を動的に削減する。 LateMatchは、標準的なディープマッチングに比べて、効率的な計算コストを2倍以上削減する。
• 参考スコア（独自算出の注目度）: 5.782563638944601
• License:
• Abstract: Visual localization is critical for embodied agents, but deploying state-of-the-art deep feature matchers on edge devices is fundamentally limited by their massive computational cost. Standard deep matchers tightly interleave intra-image context building and inter-image matching at every layer, creating a severe interaction bottleneck. Localizing a single query against K database images forces the system to execute the full network K independent times with no capacity for caching. To break this bottleneck, we advocate for a paradigm shift toward cacheable image matching. We realize this paradigm with LateMatch, a versatile approach that restructures existing matchers by deferring inter-image interaction to their final layers. By isolating intra-image processing into offline-cacheable Context Blocks, only a small set of Interaction Blocks must be executed online. To further optimize LateMatch, we introduce E-SToRE (Entropy-guided Spatial Token Reduction and Expansion). E-SToRE leverages the decreasing Shannon entropy of the late Interaction Blocks to dynamically reduce token counts just prior to cross-image interaction. Evaluated across HPatches, ScanNet, MegaDepth, ETH-3D, and Aachen, LateMatch reduces effective computational cost by over 2x compared to standard deep matchers, while E-SToRE yields an additional 10% to 14% savings with negligible degradation in accuracy.
• Abstract（参考訳）: 視覚的ローカライゼーションは、エンボディエージェントにとって重要であるが、最先端の機能マーカをエッジデバイスにデプロイすることは、その膨大な計算コストによって根本的に制限される。 標準のディープマーカは、すべてのレイヤで画像内コンテキスト構築と画像間マッチングを密にインターリーブし、深刻な相互作用ボトルネックを生み出します。 Kデータベースイメージに対する単一のクエリのローカライズは、キャッシュ能力のない独立したネットワークKの実行をシステムに強制する。 このボトルネックを克服するために、キャッシュ可能な画像マッチングへのパラダイムシフトを提唱する。 このパラダイムは、画像間の相互作用を最終層に遅延させることで、既存のマーカを再構築する汎用的なアプローチである。 イメージ内処理をオフラインでキャッシュ可能なContext Blockに分離することで、インタラクションブロックの小さなセットをオンラインで実行しなければなりません。 LateMatchをさらに最適化するために、E-SToRE(Entropy-guided Space Token Reduction and Expansion)を導入する。 E-SToREは、後期インタラクションブロックのシャノンエントロピーの減少を利用して、クロスイメージインタラクションの直前にトークンカウントを動的に削減する。 HPatches、ScanNet、MegaDepth、ETH-3D、Aachenで評価され、LateMatchは標準的なディープマッカーに比べて2倍以上の効率的な計算コスト削減を実現している。

関連論文リスト

• ENCORE: Entropy-Guided Cropping and Attention Regularization for Robust Vision--Language Understanding [40.664306877870715]
  Vision-Language Models (VLM) は様々な視覚言語タスクでうまく機能するが、トランスフォーマーベースのビジュアルエンコーダは画像を固定解像度のサブイメージに分割する。 既存の手法は視覚的モダリティにのみ焦点を合わせており、プロンプト関連領域の完全性を動的に保存することができない。 2つのコンポーネントを持つエントロピー誘導フレームワークである textbfENCORE を提案する。
  論文  参考訳（メタデータ） (2026-08-24T09:00:02Z)
• Back from the Future: Key-Value Cache Management by Counter-Causal Surprise [67.1056509495879]
  近年,キーバリュー(KV)キャッシュ管理が重要な研究方向として注目されている。 より最近のトークンからよく予測できる過去のトークンは冗長である,という洞察に動機づけられた,単純かつ効果的なKV消去スキームを提案する。 我々は,他の最先端手法と比較して,競争力や性能向上を示す各種オープンソースLCMとベンチマークデータセットについて,我々の戦略を評価した。
  論文  参考訳（メタデータ） (2026-07-30T02:42:51Z)
• PARCEL: Pool-Anchored Resampling with Conditioned Elastic Queries for Efficient Vision-Language Understanding [88.17174909130188]
  LVLM(Large Vision-Language Models)は、視覚的な入力を高密度なトークンシーケンスにマッピングし、推論に二次的な計算ボトルネックを与える。 特徴抽出の労力を動的に分配する視覚トークン化アーキテクチャであるPARCELを紹介する。 PARCELは、既存のマトリシカベースラインを「一度にトレーニングし、どこにでもデプロイする」パラダイムを保ちながら、視覚障害者の予算で一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-28T15:57:31Z)
• Evading Visual Aphasia: Contrastive Adaptive Semantic Token Pruning for Vision-Language Models [52.78477729846771]
  本稿では,COAST(Contrastive Adaptive Semantic Token Pruning)について紹介する。 COASTはトークン予算をまたいだ強力なプルーニングベースラインを一貫して上回り、複数のLVLMファミリをまたいだ一般化を実現している。
  論文  参考訳（メタデータ） (2026-05-10T09:07:04Z)
• StreamCacheVGGT: Streaming Visual Geometry Transformers with Robust Scoring and Hybrid Cache Compression [39.0869112189715]
  StreamCacheVGTは、キャッシュ管理を再定義するトレーニング不要のフレームワークである。 一定のコストの制約に厳格に固執しつつ、より優れた復元精度と長期安定を提供する。
  論文  参考訳（メタデータ） (2026-04-16T17:12:10Z)
• Fixed Anchors Are Not Enough: Dynamic Retrieval and Persistent Homology for Dataset Distillation [18.560389397187794]
  Retrieval and Topology Alignment framework for decoupled DDを紹介します。 まず、Dynamic Retrieval Connection (DRC)は、プリビルドされたプールから実際のパッチを選択する。 第2に、PTA(Persistent Topology Alignment)は、永続的ホモロジーによる合成を規則化する。
  論文  参考訳（メタデータ） (2026-02-27T16:21:07Z)
• Rethinking Multi-Condition DiTs: Eliminating Redundant Attention via Position-Alignment and Keyword-Scoping [61.459927600301654]
  マルチコンディション制御は従来のコンカデント・アンド・アットエンドの戦略によってボトルネックとなる。 分析の結果,これらの相互作用の多くは空間的にも意味的にも冗長であることがわかった。 本稿では,これらの冗長性を解消するための高効率なフレームワークであるPKAを提案する。
  論文  参考訳（メタデータ） (2026-02-06T16:39:10Z)
• Advancing Cache-Based Few-Shot Classification via Patch-Driven Relational Gated Graph Attention [3.4693817403659515]
  限られた監督下では、画像の分類は困難である。 最近のキャッシュベースの適応アプローチ(例えば、Tip-Adapter)は、この課題をある程度解決している。 画像内パッチ依存関係からキャッシュアダプタ重みを学習する,パッチ駆動リレーショナルリレーショナルリフレクションを導入する。
  論文  参考訳（メタデータ） (2025-12-13T23:53:00Z)
• UniTok: A Unified Tokenizer for Visual Generation and Understanding [63.23796622553615]
  視覚生成および理解モデルは通常、画像を処理するために異なるトークン化器に依存する。 我々は、新しいマルチコードブック量子化機構を備えた統一トークン化システムUniTokを紹介する。 最終的なパフォーマンスに関しては、UniTokはImageNetで0.38 rFIDと78.6%のゼロショット精度で新記録を樹立した。
  論文  参考訳（メタデータ） (2025-02-27T17:47:01Z)
• Rethinking Space-Time Networks with Improved Memory Coverage for Efficient Video Object Segmentation [68.45737688496654]
  各オブジェクトのマスク特徴を再エンコードすることなく,フレーム間の直接対応性を確立する。 対応によって、現在のクエリフレーム内の全てのノードは、過去の特徴を連想的に集約することによって推測される。 すべてのメモリノードにコントリビュートする機会があることを検証し、そのような多彩な投票がメモリ効率と推論精度の両方に有益であることを示した。
  論文  参考訳（メタデータ） (2021-06-09T16:50:57Z)

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。