論文の概要: TopoDPO: Dense Preference Alignment for Structure-Sensitive Aerial Referring Segmentation
- arxiv url: http://arxiv.org/abs/2611.01551v1
- Date: Sun, 01 Nov 2026 04:23:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 23:00:10.177776
- Title: TopoDPO: Dense Preference Alignment for Structure-Sensitive Aerial Referring Segmentation
- Title(参考訳): TopoDPO: 構造感性空中参照セグメンテーションのためのDense Preference Asignment
- Abstract要約: TopoDPOは、構造に敏感な空中参照セグメンテーションのためのトポロジー対応の高密度優先アライメントフレームワークである。
TopoDPOは結合(IoU)の交叉を改善し、ベッチ0の誤差を 1.34 から 0.90 に削減する。
39,244件の検証記録の未フィルタリング層は、中等度または重度な部品数誤差のある試料において最も明らかな構造的ゲインを示している。
- 参考スコア(独自算出の注目度): 78.6585022537438
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Preference optimization for multimodal segmentation faces a granularity mismatch: dense masks contain spatially heterogeneous preference signals, whereas image-level objectives assign one shared nonlinear weight to all spatial margins. We introduce TopoDPO, a topology-aware dense preference alignment framework for structure-sensitive aerial referring segmentation. Topo-Prior mines informative preference pairs using connected-component discrepancy and macro-corner recall, while the dense objective applies the preference penalty to each local margin before spatial aggregation against a frozen supervised reference. On Topo-RS-Hard, a 4590-instance structural stress set, TopoDPO improves intersection over union (IoU) from 50.91% to 51.24% over image-level direct preference optimization (DPO) and reduces Betti-0 error from 1.34 to 0.90; paired image-cluster bootstrap intervals against image-level DPO exclude zero for all five reported metrics. Matched supervised controls and a complete factorial analysis separate the effects of topology-aware pair mining, localized correction, and dense reference-relative preference weighting. An unfiltered stratification over all 39,244 validation records further shows the clearest structural gains on samples with moderate or severe pre-alignment component-count errors. The code is publicly available at: https://github.com/phy709/TopoDPO.
- Abstract(参考訳): 濃密なマスクは空間的に不均一な選好信号を含むが、画像レベルの目的は共有非線形重みをすべての空間マージンに割り当てる。
TopoDPOは、トポロジーを意識した、構造に敏感な空中参照セグメンテーションのための高密度な嗜好アライメントフレームワークである。
Topo-Priorは、連結成分の差分とマクロコーンのリコールを用いた情報的嗜好ペアをマイニングする一方、密集した目的は、凍結管理参照に対する空間的集約の前に各局所的マージンに選好ペナルティを適用する。
4590インスタンスの構造的ストレスセットであるTopo-RS-Hardでは、画像レベルの直接選好最適化(DPO)よりも50.91%から51.24%の結合(IoU)を改善し、Betti-0エラーを1.34から0.90に低減する。
マッチング制御と完全因子分析は、トポロジを意識したペアマイニング、局所補正、参照相対的重み付けの影響を分離する。
39,244件の検証記録に対する未濾過層化は、中等度または重度な部品数誤差を持つ試料において、最も明確な構造的ゲインを示す。
コードは、https://github.com/phy709/TopoDPOで公開されている。
関連論文リスト
- StructZO: Structured Zeroth-Order Optimization for Memory-Efficient LLM Fine-Tuning [51.80103056601843]
StructZOは、メモリ効率の良い微調整のための構造化ゼロ階最適化フレームワークである。
StructZOはZOベースラインを平均8.7%、個別タスクで最大26.9%改善している。
これらの結果から,ZO と FO 最適化のギャップは,構造化およびスペクトル制御されたZO 更新によって著しく狭まることが示唆された。
論文 参考訳(メタデータ) (2026-10-12T09:16:30Z) - A Zeroth-Order Paradigm for LLM Preference Alignment [26.629761802730258]
ComPOは、比較オラクルに基づくゼロ階アライメント手法である。
Online ComPOはオフライン比較機構を保持し、ラベルなしポリシー生成を使用してリバースKL制御を行う。
Mistral、Llama、Gemma-2、Qwen3、Gemma-3モデルの実験は、既存の直接アライメント法よりも改善されている。
論文 参考訳(メタデータ) (2026-09-16T17:59:35Z) - ToPO: Token-Conditioned Preference Routing for Attention-Based Latent Diffusion Models [1.7654901762480486]
ToPOは、凍結参照復調器において、分岐方向の2乗残留コントラストからミニバッチ、分離、分離可能な時空間経路を構築する。
ToPOは、SDXL用のHPSv2、ImageReward、CLIPの5つの報告されたSD-1.5メトリクスにおいて、Diffusion-DPOよりも高いエンドポイント推定値を持つ。
論文 参考訳(メタデータ) (2026-09-03T11:24:08Z) - TopoGS: Topology-Aware Anchor Feature Aggregation for Large-Scale 3D Gaussian Splatting [16.76088989556537]
Octreeベースの3D Gaussian Splattingは、アンカーを複数レベルの階層に整理し、詳細レンダリングを行う。
2つの軽量コンポーネントを備えたトポロジ対応アンカー機能集約フレームワークであるTopoGSを提案する。
論文 参考訳(メタデータ) (2026-08-20T14:29:03Z) - Generative Semantic Segmentation via an Observable Semantic-Image Interface and Hierarchical Generator Evidence Alignment [1.6199400106794555]
生成的セマンティックセグメンテーションは、構造化された予測を画像として公開するが、直接カラーデコーディングは、色ドリフトと境界ミキシングの影響を受けやすい。
本稿では,セマンティック・プリズム(Semantic Prism)を提案する。
論文 参考訳(メタデータ) (2026-08-12T01:00:04Z) - Edge-directed geometric partitioning for versatile video coding [57.010424923769385]
本稿では,GEOのオーバヘッドを低減し,符号化効率を向上させるため,MPM(Most Probable Mode)リストを構築することでGEOモード予測戦略を提案する。
提案手法は, RA LDB の構成に対して VTM-6.0 と比較して平均0.58%, 1.00% の目標 BD レートゲインを提供する。
論文 参考訳(メタデータ) (2026-06-01T03:47:14Z) - TopoLoRA-SAM: Topology-Aware Parameter-Efficient Adaptation of Foundation Segmenters for Thin-Structure and Cross-Domain Binary Semantic Segmentation [1.0152838128195467]
バイナリセマンティックセグメンテーションのためのトポロジー認識およびパラメータ効率適応フレームワークである textbfTopoLoRA-SAM を提案する。
TopoLoRA-SAMは、軽量空間畳み込みアダプタで強化された冷凍ViTエンコーダにローランド適応(LoRA)を注入する。
TopoLoRA-SAMはCHASE_DB1データセットのセグメンテーション精度とロバスト性を大幅に向上することを示した。
論文 参考訳(メタデータ) (2026-01-05T17:03:45Z) - Enhancing CLIP Robustness via Cross-Modality Alignment [54.01929554563447]
視覚言語モデルのための最適なトランスポートベースフレームワークであるクロスモダリティアライメントを提案する。
COLAは、グローバルな画像テキストアライメントと特徴空間における局所的な構造的一貫性を復元する。
COLAはトレーニングフリーで、既存の微調整モデルと互換性がある。
論文 参考訳(メタデータ) (2025-10-28T03:47:44Z) - OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation [69.37484603556307]
Un Semantic segmenting (USS)は、事前に定義されたラベルに頼ることなく、イメージをセグメント化する。
上記の問題を同時に解決するために,OMH (Optimally Matched Hierarchy) という新しいアプローチを導入する。
我々のOMHは既存のUSS法と比較して教師なしセグメンテーション性能がよい。
論文 参考訳(メタデータ) (2024-03-11T09:46:41Z) - Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly
Types [60.45942774425782]
我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。
これは異常検出とは違い、その目標は異常を通常のデータから分割することである。
パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-21T23:11:33Z)
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。