論文の概要: Only Means Only: what a harmonization benchmark score averages over

• arxiv url: http://arxiv.org/abs/2610.25387v1
• Date: Sun, 18 Oct 2026 16:37:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 21:37:26.756208
• Title: Only Means Only: what a harmonization benchmark score averages over
• Title（参考訳）: 平均値のみ:ハーモニゼーションベンチマークの平均値
• Abstract要約: 写真は1,399枚で、その上に作られた合成物はテストセットの4分の1です。 そのクォーターでは、3つのメソッドが、残りの2倍から5倍のエラーを読み取ります。 本研究は,5,581個の複合材料を用いて,構成のアイデンティティが訓練中に現れない試験リストを作成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image harmonization methods adjust the colour and lighting of an object pasted into a photograph so that it looks native to its new scene, and they are ranked by average error on one benchmark whose test images are real photographs with one object recoloured. One photograph can yield several such test images, and the benchmark promises that no photograph appears in both the training and the test split. We find that 1,399 photographs do, and the composites built on them are a quarter of the test set. Duplicate checks over file names or bytes miss this, because every composite is a different file. On that quarter the three methods we score end to end read two to five times lower error than on the rest, but most of the gap is composition rather than the sharing: the shared composites come almost entirely from one of the benchmark's four source collections, and inside that collection the gap falls to about one and a half times. An official score is therefore an average over two populations, mixed in a proportion the benchmark does not report. We release a test list of 5,581 composites whose construction identities do not appear in training, with four confirmed near-duplicate pairs disclosed rather than removed, adoptable without retraining at the price of one rescore per checkpoint. We leave open whether the sharing itself changes what a model learns.
• Abstract（参考訳）: 画像調和法では、被写体の色や照明を写真に貼り付けることで、新たなシーンにネイティブに見えるように調整し、テスト画像が1つのオブジェクトを再現した実際の写真であるベンチマークで平均誤差にランク付けする。 1枚の写真はいくつかのテスト画像を生成することができ、ベンチマークはトレーニングとテストの分割の両方に写真は現れないことを約束する。 写真は1,399枚で、その上に作られた合成物はテストセットの4分の1です。 ファイル名やバイトの重複チェックは、すべてのコンポジットが異なるファイルであるため、これを見逃します。 シェアされたコンポジットは、ベンチマークの4つのソースコレクションのうちの1つからほぼ完全に取り込まれており、そのコレクション内では、ギャップは約1回半になる。 したがって、公式スコアは平均2人以上の人口であり、ベンチマークが報告していない割合で混合されている。 本報告では,5,581個の複合材料を用いて,構成の同一性は訓練中に現れないが,1回のチェックポイント当たり1回のリスコアで再トレーニングすることなく,4つの確認された近接二重化ペアを抽出せず,適用可能であることを示す。 モデルがどのように学習するかを共有自体が変更するかどうかについては、未公開のままです。

関連論文リスト

• Look Closer: Patch-wise Supervision for AI-Generated Image Detection [7.095365403752337]
  小さなRGB領域は、全シーンをほとんど明らかにしていない場合でも、画像合成の有用な証拠を保持することができる。 単一パッチ検出によってモチベーションを得たパッチ管理について検討する。 実験は、シングルパッチの選択、複数のジェネレータコレクション、4つのCNNとTransformerバックボーンにまたがる。
  論文  参考訳（メタデータ） (2026-09-29T16:19:18Z)
• The Null Is the Hard Part: Exact Tests for Memorization in Generative Models [0.0]
  生成モデルの記憶監査は、null分布のない閾値に対して類似度スコアを読み取る。 記憶のために、null は難しい部分であり、2 を供給している、と我々は主張する。 単一画像の場合、自然のnullは2回失敗する。
  論文  参考訳（メタデータ） (2026-09-23T17:59:25Z)
• Automated Perceptually-Motivated Assessment of Photographic Consistency in Paired Clinical Photographs: Pipeline Development and Internal Evaluation [0.0]
  我々は、13のキャリブレーションされたサブメトリックにまたがるプレ/ポストペアを分析するパイプラインを開発した。 パイプラインは、患者内公開のプレ/ポストペア134に適合し、同一イメージペア、合成・摂動ペア134とミスマッチしたクロスパブリケーションペア134に対して評価された。
  論文  参考訳（メタデータ） (2026-09-14T07:19:17Z)
• The MODA General Attribute Suite: A Four-Track Evaluation Benchmark for Fashion Attribute Extraction [0.0]
  提案するMODA General Attribute Suiteは4トラックのベンチマークである。 このプロトコルにはラベルのブラインド予測、ラベルが開く前に予測ファイルのSHA-256コミット、フェールクロースされたスコアラ、各トラックの自然漏洩ユニットに1万サンプルのペアリングクラスタブートストラップが必要である。 本報告では, ベースラインの結果, 改善しなかった6つの介入, 証拠の限界について報告する。
  論文  参考訳（メタデータ） (2026-09-08T07:17:13Z)
• Do Composed Image Retrieval Benchmarks Require Multimodal Composition? [86.99911649534795]
  合成画像検索ベンチマークでは,マルチモーダルな構成が必要であると推定される。 4つの広く使用されているCIRベンチマークと11のジェネリストマルチモーダルエンベディングモデルで、クエリの大部分が単一モードで解決できる。 CIRの性能は、真のマルチモーダル合成ではなく、単一モーダル信号から生じる。
  論文  参考訳（メタデータ） (2026-05-14T12:56:36Z)
• Probabilistic Warp Consistency for Weakly-Supervised Semantic Correspondences [118.6018141306409]
  本稿では,セマンティックマッチングのための弱教師付き学習目標である確率ワープ一貫性を提案する。 まず、同じオブジェクトクラスの異なるインスタンスを表現したペアで、既知のワープを画像の1つに適用することで、画像トリプルを構築する。 我々の目的はまた、キーポイントアノテーションと組み合わせることで、強く監督された体制を大幅に改善する。
  論文  参考訳（メタデータ） (2022-03-08T18:55:11Z)
• Warp Consistency for Unsupervised Learning of Dense Correspondences [116.56251250853488]
  密接な対応を学習する上で重要な課題は、実画像対に対する地道整合の欠如である。 密な対応回帰のための教師なし学習目標であるWarp Consistencyを提案する。 私たちのアプローチは、MegaDepth、RobotCar、TSSなど、いくつかの挑戦的なベンチマークに新しい最先端を設定します。
  論文  参考訳（メタデータ） (2021-04-07T17:58:22Z)

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。