論文の概要: Complementing DINO Features with Image Structure for Part Discovery

• arxiv url: http://arxiv.org/abs/2610.32293v1
• Date: Fri, 23 Oct 2026 07:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.425749
• Title: Complementing DINO Features with Image Structure for Part Discovery
• Title（参考訳）: 部品発見のための画像構造によるDINO特徴の補完
• Abstract要約: Part-DINOは、低レベルのイメージセグメンテーションとDINOのセマンティック機能とのバウンダリを結合した、トレーニング不要のフレームワークである。 境界を使ってイメージをリージョンに分割し、各リージョン内にDINO機能をプールし、それらをグループ化して部分を見つけます。
• 参考スコア（独自算出の注目度）: 9.14632796153174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised Vision Transformers (ViTs) like DINO encode rich semantics, enabling training-free segmentation of objects from the background and discovery of their parts via feature clustering. This paper focuses on part discovery: partitioning a foreground object into semantic parts. Existing approaches produce imprecise part boundaries. We trace this to the rigid ViT patch grid used in training DINO, where patches straddling boundaries contain pixels from multiple parts. While DINO's invariance-based training could absorb this pixel-level mixing into clean features, experiments with over 26K foreground patches show it does not: boundary-overlapping patches produce features with higher entropy and lower assignment confidence, blurring predicted part boundaries. Rather than make the massive effort of retraining DINO over geometrically coherent regions, an easier approach is to take boundaries directly from a boundary detector, which supplies the geometric information DINO's features lack. Motivated by this, we introduce Part-DINO, a training-free framework that combines boundaries from low-level image segmentation with DINO's semantic features. We use the boundaries to partition the image into regions, pool DINO features within each region, and group them to discover parts. Without any training, Part-DINO produces structurally coherent part assignments, outperforming training-free baselines across four standard benchmarks (CUB, CelebA, PartImageNet-OOD, PartImageNet-Seg) and remaining competitive with weakly-supervised and unsupervised methods.
• Abstract（参考訳）: DINOのような自己監督型ビジョントランスフォーマー(ViT)は、リッチなセマンティクスをエンコードし、バックグラウンドからオブジェクトのトレーニング不要なセグメンテーションと、機能クラスタリングによる部分の発見を可能にする。 本稿では,前景オブジェクトを意味的な部分に分割する部分発見に焦点を当てた。 既存のアプローチは不正確な部分境界を生成する。 我々はこれをDINOのトレーニングに使用する固いViTパッチグリッドに遡る。 DINOの不変性に基づくトレーニングは、このピクセルレベルの混合をクリーンな特徴に吸収する可能性があるが、26K以上のフォアグラウンドパッチによる実験はそうではないことを示している。 幾何学的に整合性のある領域でDINOを再訓練するよりは、境界検出器から境界を直接取り出す方が簡単で、DINOの特徴が欠けているという幾何学的な情報を提供する。 そこで我々は,低レベル画像セグメンテーションとDINOのセマンティック機能とのバウンダリを結合したトレーニングフリーフレームワークであるPart-DINOを紹介した。 境界を使ってイメージをリージョンに分割し、各リージョン内にDINO機能をプールし、それらをグループ化して部分を見つけます。 トレーニングなしでは、Part-DINOは構造的に一貫性のある部分割り当てを生成し、4つの標準ベンチマーク(CUB、CelebA、PartImageNet-OOD、PartImageNet-Seg)でトレーニング不要のベースラインを上回り、弱い教師付きおよび教師なしのメソッドと競合し続ける。

関連論文リスト

• Standalone DINOv3 for Training-Free Open-Vocabulary Semantic Segmentation in Remote Sensing [18.075787817513554]
  DinoSplat-OVは、DINOv3を微調整や追加の事前トレーニングなしでリモートセンシングに適応する、トレーニング不要のフレームワークである。 本フレームワークは,テキストのセマンティック親和性と局所的な視覚的類似性を組み合わせることで,パッチレベルの予測をノイズ化する。 UDD5、DOTA、LoveDAの実験では、既存のトレーニングフリーメソッドよりも、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-08-04T02:12:39Z)
• DiSa: Saliency-Aware Foreground-Background Disentangled Framework for Open-Vocabulary Semantic Segmentation [16.57245702815661]
  Open-vocabulary semantic segmentationは、テキストラベルに基づいた画像内の各ピクセルにラベルを割り当てることを目的としている。 既存のアプローチでは、CLIPのような視覚言語モデル(VLM)を高密度な予測に利用するのが一般的である。 本稿では,新しいサリエンシを意識したフォアグラウンド・バックアングル型フレームワークであるDiSaを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T21:15:10Z)
• CAP-Net: A Unified Network for 6D Pose and Size Estimation of Categorical Articulated Parts from a Single RGB-D Image [86.75098349480014]
  本稿では,ロボット操作作業における調音物体のカテゴリーレベルのポーズ推定に取り組む。 そこで本研究では,Categorical Articulated Partsの6次元ポーズとサイズを推定するためのシングルステージネットワークCAP-Netを提案する。 我々は,RGB画像と実センサからシミュレーションした深度雑音を特徴とするRGB-D調音データセットであるRGBD-Artデータセットを紹介した。
  論文  参考訳（メタデータ） (2025-04-15T14:30:26Z)
• SEMPART: Self-supervised Multi-resolution Partitioning of Image Semantics [0.5439020425818999]
  SEMPARTは、追加の後処理なしで高品質なマスクを迅速に製造する。 以上の結果から,SEMPARTはポストプロセッシングを伴わずに高品質なマスクを高速に生成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-20T00:07:30Z)
• NeRF-SOS: Any-View Self-supervised Object Segmentation from Complex Real-World Scenes [80.59831861186227]
  本論文では,複雑な現実世界のシーンに対して,NeRFを用いたオブジェクトセグメンテーションのための自己教師型学習の探索を行う。 我々のフレームワークは、NeRF(NeRF with Self-supervised Object NeRF-SOS)と呼ばれ、NeRFモデルがコンパクトな幾何認識セグメンテーションクラスタを蒸留することを奨励している。 他の2Dベースの自己教師付きベースラインを一貫して上回り、既存の教師付きマスクよりも細かなセマンティクスマスクを予測する。
  論文  参考訳（メタデータ） (2022-09-19T06:03:17Z)
• PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
  ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。 3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。 本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
  論文  参考訳（メタデータ） (2022-03-13T15:17:41Z)
• Exploring Cross-Image Pixel Contrast for Semantic Segmentation [130.22216825377618]
  完全教師付きセッティングにおけるセマンティックセグメンテーションのための画素単位のコントラストフレームワークを提案する。 中心となる考え方は、同じセマンティッククラスに属するピクセルの埋め込みを、異なるクラスの埋め込みよりもよく似ているように強制することである。 テスト中に余分なオーバーヘッドを伴わずに既存のセグメンテーションフレームワークに懸命に組み込むことができる。
  論文  参考訳（メタデータ） (2021-01-28T11:35:32Z)
• Unsupervised part representation by Flow Capsules [43.2934619818695]
  単一画像から原子部品を検出する一次カプセルエンコーダを学習する方法を提案する。 我々は、階層化画像モデル内の部分生成のための表現型デコーダを用いて、部分定義のための強力な知覚的キューとして動きを利用する。
  論文  参考訳（メタデータ） (2020-11-27T18:59:42Z)

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。