論文の概要: Kronecker-Structured Video Completion with Cross-Fitted Self-Supervised Residual Learning
- arxiv url: http://arxiv.org/abs/2610.35065v1
- Date: Mon, 26 Oct 2026 09:12:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.805758
- Title: Kronecker-Structured Video Completion with Cross-Fitted Self-Supervised Residual Learning
- Title（参考訳）: クロスフィット型自己監督型残差学習によるKronecker-Structured Video Completion
- Abstract要約: チューブワイドビデオ補完は、すべてのフレームで観測されていない空間的位置における時間的軌跡を再構成する。
正規化マスク付きクロネッカー分解(KPD)とクロスフィット型自己教師付き残差学習を組み合わせた2段階のフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 10.594350549451788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tube-wise video completion reconstructs temporal trajectories at spatial locations unobserved in every frame. We propose a two-stage framework combining regularized masked Kronecker product decomposition (KPD) with cross-fitted self-supervised residual learning. First, we estimate a compact structural backbone directly from observed entries using cyclic component-wise least-squares updates, spatial and temporal factor regularization, and regularizer-optimal scale balancing. The exact updates yield a nonincreasing objective. Second, we address the mismatch between in-sample fitting errors and the prediction errors encountered at missing tubes. We partition observed tubes into folds and construct residual targets using backbone models fitted without the corresponding target tubes. A lightweight 3-D convolutional neural network then predicts corrections from the backbone, visible residual context, observation mask, and local detail features. Exact data consistency preserves observed measurements. Experiments include ablations, sensitivity analysis, grayscale and RGB video completion, and structured missing patterns. Our method achieves the highest mean PSNR and SSIM at the higher tested sampling rates on the grayscale benchmark. On eight selected DAVIS RGB sequences, it achieves the highest mean missing-region PSNR and full-frame SSIM and the lowest mean missing-tube temporal-gradient MAE at every evaluated sampling rate.
- Abstract（参考訳）: チューブワイドビデオ補完は、すべてのフレームで観測されていない空間的位置における時間的軌跡を再構成する。
正規化マスク付きクロネッカー分解(KPD)とクロスフィット型自己教師付き残差学習を組み合わせた2段階のフレームワークを提案する。
まず, 循環成分の最小二乗更新, 空間的および時間的因子の正則化, 正規化器-最適スケールバランスを用いて, 観測項目から直接, コンパクトな構造的バックボーンを推定する。
正確な更新は、増加しない目的をもたらす。
第2に、サンプル内嵌合誤差と管不足時に発生する予測誤差のミスマッチに対処する。
観測管を折り畳みに分割し, 対象管を含まない背骨モデルを用いて残留目標を構築した。
軽量な3D畳み込みニューラルネットワークは、バックボーン、可視的残留状況、観察マスク、および局所的な詳細特徴からの補正を予測する。
厳密なデータ一貫性は観測された測定値を保存する。
実験には、アブレーション、感度分析、グレースケールとRGBのビデオ補完、構造化されていないパターンが含まれる。
提案手法は, グレースケールベンチマークにおいて, 高いサンプリングレートでPSNRおよびSSIMの平均値を達成する。
選択した8つのDAVIS RGBシーケンスにおいて、平均欠落領域PSNRとフルフレームSSIMと、評価されたサンプリングレート毎に最低平均欠落管時間勾配MAEを達成する。
関連論文リスト
- PosePlaner: Denoising Any Feed-Forward Pose Predictor from Pairwise Planar Geometry [57.19469836839409]
最近の多視点変換器は、2つのビューから多くのビューと長いシーケンスへのトレーニングデータとモデルキャパシティのスケーリングにより、高度な3次元再構成を実現している。
我々はPosePlanerを提案し、このギャップを埋めるために、古典的な対応とフローマッチングによるポーズの結合を復活させることにより、このギャップを埋める。
提案手法は2視点データに基づいて効率よく訓練されるが,n視点ポーズ推定器をリトレーニングなしでストリーミングするための周期的精錬器として機能する。
論文 参考訳（メタデータ） (2026-10-26T04:55:36Z) - Robust Ensemble Guidance for Scientific Inverse Problems [100.58137337454754]
Robust Ensemble Guidance (REG) は、アンサンブル予測拡散を用いて観測スケールのバランスを保ち、極端に不一致な影響を制限するために標準化された残差を適応的にクリップする。
REGは3つの観測系で6.2-8.2dBのブラックホール再構成PSNRを増加させ、一致した予算比較でNavier-Stokes再構成誤差を26.4%削減する。
論文 参考訳（メタデータ） (2026-10-04T16:54:37Z) - Robust Tensor Completion via Reflective Convolution Nuclear Norm Minimization [7.756743278378846]
ロバストテンソル完了は、粗大な粗誤差によって破損した部分的な観測から多次元データを復元する。
本稿では、円形シフトを終端非反復反射に置き換える反射畳み込み核ノルム最小化(RCNNM)を提案する。
合成テンソル、BSDS色画像、CAVEマルチスペクトル画像の実験により、RCNNMはその円形リフト画像よりも一貫して改善されていることが示された。
論文 参考訳（メタデータ） (2026-10-04T05:49:38Z) - SymRegFlow: Symmetry-Regularized Flow Matching for Video World Models [50.31523697382425]
EmphSymRegFlowは、マルチビュー一貫性ビデオ生成のための対称規則化フローマッチングフレームワークである。
それぞれのターゲットポーズに対して、SymRegFlowは、ソースビューをノイズアンカーに幾何学的にワープし、マスク付きデュアルアンカー監視とクロスアンカー・アウトプの一貫性を組み合わせる。
Cosmos-Drive-DreamsとnuScenesの実験は、高品質でマルチビュー一貫性のある自動運転ビデオ生成を実証している。
論文 参考訳（メタデータ） (2026-10-02T03:02:22Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Inference-Time Refinement Closes the Synthetic-Real Gap in Tabular Diffusion [8.745106905496282]
凍結したトレーニング済みのバックボーン上で動作可能な推論時間改善フレームワークを提案する。
推論時間の改善は、1つのコンシューマグレードのGPU上で1～80分でリアルタイムユーティリティを超えます。
論文 参考訳（メタデータ） (2026-05-07T13:37:03Z) - RASP-Tuner: Retrieval-Augmented Soft Prompts for Context-Aware Black-Box Optimization in Non-Stationary Environments [0.0]
オンラインチューニングを文脈条件による後悔の最小化として提示する。
RASP-Tunerは、第一原理によって動機付けられた分解をインスタンス化する。
9つの総合的非定常ベンチマークにおいて、RASP-TunerはGP-UCBおよびCMA-ES実装と比較して累積的後悔を改善または一致させる。
論文 参考訳（メタデータ） (2026-04-20T09:52:36Z) - Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。
合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善
DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文 参考訳（メタデータ） (2026-02-03T23:38:05Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Learning Compact Features via In-Training Representation Alignment [19.273120635948363]
各エポックでは、トレーニングセットからサンプリングしたミニバッチを用いて損失関数の真の勾配を推定する。
In-Training Representation Alignment (ITRA) を提案する。
また,特徴表現学習における一致損失の望ましい影響を厳密に分析する。
論文 参考訳（メタデータ） (2022-11-23T22:23:22Z) - Imputing Missing Observations with Time Sliced Synthetic Minority
Oversampling Technique [0.3973560285628012]
本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。
我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。
これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
論文 参考訳（メタデータ） (2022-01-14T19:23:24Z)
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。