論文の概要: WildMAE: Structure-Aware Masked Autoencoding for Wildlife Image Reconstruction
- arxiv url: http://arxiv.org/abs/2610.28590v1
- Date: Tue, 20 Oct 2026 17:41:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.954445
- Title: WildMAE: Structure-Aware Masked Autoencoding for Wildlife Image Reconstruction
- Title（参考訳）: WildMAE: 野生動物の画像再構成のための構造対応マスク付き自動エンコーディング
- Abstract要約: Masked Autoencoders (MAE) は、ランダムに隠された画像パッチの再構成を通じて、そのようなデータをモデリングするためのラベルのないフレームワークを提供する。
本研究では,MAEのデコーダ側拡張であるWildMAEについて述べる。
- 参考スコア（独自算出の注目度）: 10.07948406163232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camera-trap imagery presents substantial variation in animal appearance, illumination, background clutter, and visual degradation. Masked autoencoders (MAEs) offer a label-free framework for modeling such data through reconstruction of randomly hidden image patches. We present WildMAE, a decoder-side extension of MAE that combines local structure-aware refinement with masked-to-visible cross-attention. A zero-gated convolutional residual path introduces a two-dimensional neighborhood prior, while gated cross-attention allows masked positions to retrieve contextual information from visible-position features without replacing the original Transformer decoder. The associated training recipe progressively introduces normalized-pixel, Sobel-edge, and perceptual objectives. In the original Snapshot Serengeti study, covering 4,744 test images at 75% masking, the reported reconstruction scores were 27.90 versus 24.33 dB PSNR, 0.840 versus 0.780 SSIM, and 0.160 versus 0.320 LPIPS for WildMAE and vanilla MAE, respectively. Additional historical records document favorable average differences under four synthetic degradation conditions and describe component variants. We present the method, experimental observations, and their scope together: the retained metrics are historical protocol-dependent results, rather than a newly reproduced, harmonized comparison or a validation of restoration from genuinely unavailable pixels. WildMAE provides a practical architectural case study for combining global token mixing with spatial and targeted contextual refinement in wildlife masked-image modeling.
- Abstract（参考訳）: カメラトラップ画像は、動物の外観、照明、背景のぼかし、視覚的劣化のかなりの変化を示す。
Masked Autoencoders (MAE) は、ランダムに隠された画像パッチの再構成を通じて、そのようなデータをモデリングするためのラベルのないフレームワークを提供する。
本研究では,MAEのデコーダ側拡張であるWildMAEについて述べる。
ゼロゲート畳み込み残路は2次元の近傍を導入し、ゲートクロスアテンションにより元のトランスフォーマーデコーダを置き換えることなく、可視位置からコンテキスト情報を検索することができる。
関連するトレーニングレシピは、徐々に正規化ピクセル、ソベルエッジ、知覚目的を導入している。
75%マスキングで4,744枚のテスト画像をカバーするSnapshot Serengetiによる最初の研究では、報告された復元スコアは27.90対24.33 dB PSNR、0.840対0.780 SSIM、それぞれWildMAEとバニラMAEの0.320LPIPSであった。
追加の史料では4つの合成劣化条件下での平均差が好ましく、成分の変種が記述されている。
保持されたメトリクスは、新たに再現された調和された比較や、真に利用できないピクセルからの復元の検証ではなく、歴史的プロトコルに依存した結果である。
WildMAEは、野生生物のマスク画像モデリングにおいて、グローバルトークンミキシングと空間的およびターゲット的文脈的改善を併用する実用的なアーキテクチャケーススタディを提供する。
関連論文リスト
- Rethinking Generative Image Compression at Extremely Low Bitrates [56.035931340138006]
本稿では、圧縮された表現とソース表現を直接アライメントする表現オートエンコーダ(RAE)空間上に構築された圧縮指向拡散(CoD)であるRAE-CoDを紹介する。
5つの視覚基盤モデル(VFM)と視覚言語モデルプロトコルを用いて,この枠組みを評価する。
論文 参考訳（メタデータ） (2026-09-30T08:53:11Z) - Seeing Through Extreme Visual Sparsity: Surface Understanding from a Single Random Visual Patch [3.466510324781552]
本稿では,4つの事前学習型アーキテクチャを準多面的表面再構成と材料分類に適用する,統合されたデュアルタスク学習フレームワークについて論じる。
スパース観測プロトコルを用いてTouch-and-Goデータセット上で実験を行った。
Swin Transformerは89.21%、F1スコア0.8922、ROC-AUC0.9813で最高の分類性能を達成した。
論文 参考訳（メタデータ） (2026-08-30T00:08:41Z) - GAP-SAM: A Global Artifact Prior for Generalizable AI-Generated Image Manipulation Localization [15.115841637929895]
ソースイメージのCannyエッジと深度マップを用いてCOCO-ControlNetを構築し、セマンティクスと幾何学を整合させ、複数のローカライザ間でのOOD性能を向上させる。
また、細調整されたセグメンテーションモデルでは、真の操作境界ではなく、意味オブジェクトの輪郭に予測をスナップする。
GAP-SAMは画像とその凍結されたVAE再構成をグローバルアーティファクトトークンにエンコードし、ピクセル復号の前にゼロゲートFiLMを介してSAM3の特徴ピラミッドに注入する。
論文 参考訳（メタデータ） (2026-08-21T09:49:58Z) - SSR: Similarity-Shift Refinement for Training-Free Object-Centric Masks [0.6302369456012739]
類似性シフトリファインメントは、自己監督型視覚変換器でオブジェクト中心のマスクを改善する。
SSRは、自己アテンション値のアグリゲーションの前後で、ペアワイズパッチの類似性の変化を測定する。
これは、両方のモデルを再訓練したり修正したりすることなく、最初のソフトスロット割り当てを単一の改良ステップで伝達する。
論文 参考訳（メタデータ） (2026-08-02T09:06:06Z) - CAM-Seg: A Continuous-valued Embedding Approach for Semantic Image Generation [11.170848285659572]
量子化埋め込みを用いたセグメンテーションマスクのオートエンコーダ精度は連続数値埋め込みよりも8%低い。
セマンティックセグメンテーションのための連続評価組込みフレームワークを提案する。
提案手法では,細粒度のセマンティックな詳細を保存しながら,離散的な潜在表現の必要性を排除している。
論文 参考訳（メタデータ） (2025-03-19T18:06:54Z) - Towards Natural Image Matting in the Wild via Real-Scenario Prior [69.96414467916863]
我々は,COCOデータセット,すなわちCOCO-Mattingに基づく新しいマッチングデータセットを提案する。
構築されたCOCO-Mattingは、複雑な自然シナリオにおける38,251人のインスタンスレベルのアルファマットの広範なコレクションを含む。
ネットワークアーキテクチャにおいて、提案する特徴整合変換器は、きめ細かいエッジと透過性を抽出することを学ぶ。
提案したマットアライメントデコーダは、マット固有のオブジェクトを分割し、粗いマスクを高精度なマットに変換することを目的としている。
論文 参考訳（メタデータ） (2024-10-09T06:43:19Z) - MixReorg: Cross-Modal Mixed Patch Reorganization is a Good Mask Learner
for Open-World Semantic Segmentation [110.09800389100599]
セマンティックセグメンテーションのための新鮮で簡単な事前学習パラダイムであるMixReorgを提案する。
我々のアプローチは、パッチとテキストの対応を保ちながら、画像パッチを混合することで、きめ細かいパッチテキストペアデータを生成することである。
マスク学習者としてMixReorgを使用することで、従来のテキスト教師付きセマンティックセマンティックセマンティックモデルは、非常に一般化可能なピクセル・セマンティックアライメントを実現することができる。
論文 参考訳（メタデータ） (2023-08-09T09:35:16Z) - Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。
本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。
実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
論文 参考訳（メタデータ） (2023-03-12T05:28:55Z)
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。