論文の概要: OccJEPA: Occlusion as Masking for Amodal Video Segmentation

• arxiv url: http://arxiv.org/abs/2610.29061v1
• Date: Wed, 21 Oct 2026 01:40:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.225795
• Title: OccJEPA: Occlusion as Masking for Amodal Video Segmentation
• Title（参考訳）: OccJEPA:アモーダルビデオセグメンテーションのマスキングとしての排除
• Abstract要約: OccJEPA (Occlusion-as-masking JEPA) は決定論的であり、拡散ベース状態よりも33.5倍高速である。
• 参考スコア（独自算出の注目度）: 1.7844382164707184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Amodal video segmentation asks for the complete mask of an object in every frame, including the parts hidden behind other objects. The best current methods generate these masks with fine-tuned video diffusion models, which need many denoising steps and an extra depth network, and give a different answer for every sample. Self-supervised video world models of the JEPA family are trained on a closely related task: predicting the representation of masked space-time regions from the visible ones. We therefore treat occlusion as masking. The tokens that the object's visible mask does not cover are dropped, the pre-trained V-JEPA 2.1 predictor fills them in, and a light head decodes the observed and predicted features into amodal masks. The resulting model, OccJEPA (Occlusion-as-masking JEPA), is deterministic and 33.5x faster than the diffusion-based state of the art, and more accurate on SAIL-VOS, on TAO-Amodal, including a held-out test split (+4.00 AP50) and visible masks tracked by SAM2, and on Kubric. Controlled experiments trace the gain to the predictor's pre-trained weights rather than to its capacity, for world models from 87M to 1.85B parameters. Code is available at https://github.com/zgp110/occjepa.
• Abstract（参考訳）: アモーダルビデオセグメンテーションは、他のオブジェクトの後ろに隠された部分を含む、各フレーム内のオブジェクトの完全なマスクを要求する。 最新の手法では、多くのデノジングステップと追加の深度ネットワークを必要とし、サンプル毎に異なる回答を与える、微調整されたビデオ拡散モデルでこれらのマスクを生成する。 JEPAファミリーの自己監督型ビデオワールドモデルは、目に見える領域からマスクされた時空領域の表現を予測するという、密接に関連するタスクで訓練されている。 したがって、オクルージョンをマスキングとして扱う。 物体の可視マスクがカバーしていないトークンをドロップし、事前訓練されたV-JEPA 2.1予測器がそれらを埋め込み、光ヘッドが観測および予測された特徴をアモーダルマスクにデコードする。 OccJEPA (Occlusion-as-masking JEPA) は決定論的であり、SAIL-VOSより精度が高く、TAO-Amodalでは、保持されたテストスプリット(+4.00 AP50)やSAM2によって追跡された可視マスク、クブリックではより正確である。 制御された実験は、87M から 1.85B のパラメータの世界のモデルにおいて、予測器の事前訓練された重量よりも、その容量に遡る。 コードはhttps://github.com/zgp110/occjepa.comで入手できる。

関連論文リスト

• MaskGWM: A Generalizable Driving World Model with Video Mask Reconstruction [8.503246256880612]
  ビデオマスク再構成を具現化した一般化可能な世界モデルであるMaskGWMを提案する。 本モデルには,長期水平予測に着目したMaskGWM-longと,マルチビュー生成専用のMaskGWM-mviewの2種類が含まれている。
  論文  参考訳（メタデータ） (2025-02-17T10:53:56Z)
• DFormer: Diffusion-guided Transformer for Universal Image Segmentation [86.73405604947459]
  提案したDFormerは,拡散モデルを用いて画像分割タスクをデノナイズプロセスとみなしている。 我々のDFormerは、ランダムに生成されたマスクの集合から、マスクとそれに対応するカテゴリを直接予測します。 我々のDFormerは、最近の拡散型汎光学分割法Pix2Seq-Dより優れており、MS COCO val 2017セットで3.6%向上している。
  論文  参考訳（メタデータ） (2023-06-06T06:33:32Z)
• One-Shot Video Inpainting [5.7120338754738835]
  ワンショット・ビデオ・インパインティング(OSVI)のための統一パイプラインを提案する。 マスク予測と映像補完をエンドツーエンドで共同学習することにより,タスク全体に対して最適な結果が得られる。 提案手法は,予測マスクをネットワークの内部ガイダンスとして利用できるため,信頼性が高い。
  論文  参考訳（メタデータ） (2023-02-28T07:30:36Z)
• Layered Depth Refinement with Mask Guidance [61.10654666344419]
  汎用マスクを用いてSIDEモデルの深度予測を洗練させるマスク誘導深度改善の新しい問題を定式化する。 本フレームワークは,奥行きマップをマスクと逆マスクで表される2つの別々の層に分解し,層状改質・塗装・塗装を行う。 本手法は,内面境界領域と外面境界領域の深度を正確に補正し,異なる種類のマスクや初期深度予測に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-06-07T06:42:44Z)
• Mask or Non-Mask? Robust Face Mask Detector via Triplet-Consistency Representation Learning [23.062034116854875]
  新型コロナウイルスの感染拡大を遅らせる効果的な方法の1つは、ワクチンや薬品がない場合、マスクを着用することである。 公共の場でのマスクや覆いの使用を義務付けるには、面倒で注意が集中的な人的資源の追加が必要である。 本稿では,フィードフォワード畳み込みニューラルネットワークの効果的な注目を実現するために,コンテキストアテンションモジュールを用いたフェイスマスク検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-01T16:44:06Z)
• Contrastive Context-Aware Learning for 3D High-Fidelity Mask Face Presentation Attack Detection [103.7264459186552]
  顔認識システムには、顔提示攻撃検出(PAD)が不可欠である。 ほとんどの既存の3DマスクPADベンチマークにはいくつかの欠点があります。 現実世界のアプリケーションとのギャップを埋めるために、大規模なハイファイアリティマスクデータセットを紹介します。
  論文  参考訳（メタデータ） (2021-04-13T12:48:38Z)
• SipMask: Spatial Information Preservation for Fast Image and Video Instance Segmentation [149.242230059447]
  SipMaskと呼ばれる高速な単一ステージインスタンス分割法を提案する。 検出されたバウンディングボックスの異なるサブリージョンにインスタンスのマスク予測を分離することで、インスタンス固有の空間情報を保存する。 リアルタイム機能の面では、SipMaskはYOLACTを、同様の設定で3.0%(マスクAP)という絶対的なゲインで上回ります。
  論文  参考訳（メタデータ） (2020-07-29T12:21:00Z)
• BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation [103.74690082121079]
  本研究では,インスタンスレベルの情報とセマンティックな情報と,低レベルの微細な粒度を効果的に組み合わせることで,マスク予測の改善を実現する。 私たちの主な貢献は、トップダウンとボトムアップの両方のインスタンスセグメンテーションアプローチからインスピレーションを得たブレンダーモジュールです。 BlendMaskは、非常に少ないチャネルで、ピクセルあたりの高密度な位置感受性インスタンス機能を効果的に予測し、単一の畳み込み層で各インスタンスの注意マップを学習することができる。
  論文  参考訳（メタデータ） (2020-01-02T03:30:17Z)

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。