論文の概要: Grounding Image Composition with Label-Conditioned Visual Evidence

• arxiv url: http://arxiv.org/abs/2610.41080v1
• Date: Thu, 29 Oct 2026 23:51:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.560011
• Title: Grounding Image Composition with Label-Conditioned Visual Evidence
• Title（参考訳）: ラベル付きビジュアルエビデンスを用いたグラウンドディング画像合成
• Abstract要約: 写真合成のためのラベル付き領域証拠ベンチマークであるKU-PCP Elementsを紹介する。 画像とラベルがすでに適用可能であると判断された場合、そのラベルが適用される理由を説明する可視領域を分割する。 KU-PCPEには4,093個のシングルアノテータのトレーニングマスクと、1,327個のタスクに3つのマスクで分割された1,327個のタスク専門家テストが含まれている。
• 参考スコア（独自算出の注目度）: 1.2001302091246977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image composition labels such as center, diagonal, or rule of thirds describe visual structure rather than object categories. KU-PCP provides image-level labels and class-specific geometric elements, but does not show which visible regions people associate with each of its nine classes. We introduce KU-PCP Elements (KU-PCPE), a label-conditioned region-evidence benchmark for photographic composition. Given an image and a label already judged applicable, the task is to segment the visible regions that explain why the label applies. KU-PCPE contains 4,093 single-annotator training masks and a 1,327-task expert test split with three masks per image-label task. The annotations also include exploratory segment-versus-line ratings that describe whether region or semantic-guideline evidence better explains the label. A held-out expert reaches .867 Dice against the other experts, while the strongest deployable model reaches .664, a proposal oracle .672, and the best vision-language model (VLM) proposal selector .395. KU-PCPE exposes the gap between recognizing a composition label and grounding the human-aligned visual evidence that makes it plausible in a particular image.
• Abstract（参考訳）: 中心、対角、第3の規則などの画像合成ラベルは、対象のカテゴリではなく、視覚構造を記述する。 KU-PCPは画像レベルのラベルとクラス固有の幾何学的要素を提供するが、各9つのクラスにどの可視領域が関連しているかは示さない。 写真合成のためのラベル付き領域証拠ベンチマークであるKU-PCP要素(KU-PCPE)を紹介する。 画像とラベルがすでに適用可能であると判断された場合、そのラベルが適用される理由を説明する可視領域を分割する。 KU-PCPEには4,093個のシングルアノテータのトレーニングマスクと、1,327個のタスクに3つのマスクで分割された1,327個のタスク専門家テストが含まれている。 アノテーションには、リージョンまたはセグメンテーションガイドラインのエビデンスがラベルをよりよく説明するかどうかを記述する探索的なセグメンテーション-リバースラインの評価も含まれている。 保持された専門家は、他の専門家に対して.867 Diceに達し、最強の展開可能なモデルは.664、提案用オラクル.672、最高の視覚言語モデル (VLM) セレクタ.395に達する。 KU-PCPEは、コンポジションラベルの認識と、それを特定の画像に当てはめる人間による視覚的エビデンスとのギャップを露呈する。

関連論文リスト

• Semantic-Aware Representation Learning via Conditional Transport for Multi-Label Image Classification [8.864897133482907]
  本稿では,マルチラベル画像分類のための条件付きトランスポートを用いたセマンティック認識表現学習という新しい手法を提案する。 提案手法では,意味的関連性と相互作用を強調することによって,識別的ラベル固有の特徴を抽出する意味的関連性学習モジュールを提案する。 2つの広く使われているベンチマークデータセットであるVOC2007とMS-COCOの実験は、SCTの有効性を検証し、既存の最先端手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2025-07-20T11:15:24Z)
• Label Filling via Mixed Supervision for Medical Image Segmentation from Noisy Annotations [22.910649758574852]
  本稿では,LF-Net と呼ばれるシンプルで効果的なラベルフィリングフレームワークを提案する。 トレーニング中にノイズの多いアノテーションのみを付与した、基礎的なセグメンテーションラベルを予測する。 5つのデータセットの結果から、LF-Netは最先端の手法と比較して、すべてのデータセットのセグメンテーション精度を向上することが示された。
  論文  参考訳（メタデータ） (2024-10-21T14:36:36Z)
• PatchCT: Aligning Patch Set and Label Set with Conditional Transport for Multi-Label Image Classification [48.929583521641526]
  マルチラベル画像分類は、与えられた画像から複数のラベルを識別することを目的とした予測タスクである。 本稿では,このギャップを埋める条件輸送理論を紹介する。 複数ラベルの分類をCT問題として定式化することで,画像とラベルの相互作用を効率的に活用できることがわかった。
  論文  参考訳（メタデータ） (2023-07-18T08:37:37Z)
• Distilling Self-Supervised Vision Transformers for Weakly-Supervised Few-Shot Classification & Segmentation [58.03255076119459]
  視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。 提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。 Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2023-07-07T06:16:43Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• Structured Semantic Transfer for Multi-Label Recognition with Partial Labels [85.6967666661044]
  部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。 このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。 Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2021-12-21T02:15:01Z)
• Inferring Prototypes for Multi-Label Few-Shot Image Classification with Word Vector Guided Attention [45.6809084493491]
  ML-FSIC (Multi-label few-shot Image Classification) は、画像に記述ラベルを割り当てるタスクである。 本稿では,ラベルの意味に関する事前知識の形式として,単語埋め込みを提案する。 我々のモデルは、モデルパラメータを微調整することなく、未確認ラベルのプロトタイプを推測することができる。
  論文  参考訳（メタデータ） (2021-12-02T07:59:11Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。