論文の概要: Task Adaptation Through Guidance in Frozen Feature Upsampling

• arxiv url: http://arxiv.org/abs/2611.02854v1
• Date: Mon, 02 Nov 2026 09:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 14:51:50.015889
• Title: Task Adaptation Through Guidance in Frozen Feature Upsampling
• Title（参考訳）: 凍結機能アップサンプリングにおける誘導によるタスク適応
• Abstract要約: アップサンプリング前の特徴適応は、密集した予測を改善することができるが、特徴値の変化による利得が生じる可能性がある。 我々は,凍結した線形分類器の粗いログを保存し,空間的注意重みを適応させながら読み出し・無効な介入を構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adapting features before upsampling can improve dense prediction, but the gains may arise from changes in feature values, spatial aggregation, or both. We investigate this ambiguity by comparing matched residual adapters before and after a frozen JAFAR upsampler under a shared parent. We construct a readout-null intervention that preserves a frozen linear classifier's coarse logits while allowing spatial attention weights to adapt. Guidance/value exchanges on trained models and retrained fixed-guidance controls test the utility of this adaptation route. In three-seed experiments on PASCAL Visual Object Classes (VOC) and Cityscapes, adaptation before upsampling improves mean intersection over union (mIoU) by 0.807 and 1.413 percentage points, respectively, over adaptation after upsampling. Across both datasets and the JAFAR and AnyUp upsamplers, readout-null adaptation produces mean gains of 1.379-1.987 points over the corresponding frozen linear baselines. Retrained controls further support the benefit of adaptive spatial guidance. These findings explain how dense predictions can improve despite unchanged coarse classifier outputs and identify spatial guidance as a useful target when adapting frozen feature upsampling systems.
• Abstract（参考訳）: アップサンプリング前の特徴適応は、密集した予測を改善することができるが、特徴値の変化や空間的集約、あるいはその両方から得られる利得がある。 凍結したJAFARアップサンプラーの前と後を共有親の下で比較することにより,この曖昧さを検証した。 我々は,凍結した線形分類器の粗いログを保存し,空間的注意重みを適応させながら読み出し・無効な介入を構築する。 訓練されたモデルと再訓練された固定誘導制御における誘導/値交換は、この適応経路の有用性をテストする。 PASCAL Visual Object Classs(VOC)とCityscapes(Cityscapes)の3種類の実験において、アップサンプリング前の適応は、アップサンプリング後の適応よりも平均交叉(mIoU)を0.807と1.413ポイント改善する。 両方のデータセットと JAFAR および AnyUp アップサンプラーで、リードアウト・ヌル適応は、対応する凍結線ベースラインに対して 1.379-1.987 点の平均ゲインを生成する。 調整された制御は適応的な空間誘導の利点をさらに支援する。 これらの結果は, 粗い分類器の出力が変化しないにもかかわらず, 密集予測がいかに改善できるかを説明し, 凍結機能アップサンプリングシステムに適応する上で, 空間誘導を有用なターゲットとみなす。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• TrajCFG: Token-Wise Classifier-Free Guidance via Denoising Trajectory Feedback [29.422501743364904]
  Trajectory-Free Guidance (TrajCFG) は、フローフリーモデルのためのフローフリートレーニング手法である。 ガイドされた速度方向の歴史的変化を利用してトークン的に誘導する。 結果は、詳細なガイダンスアロケーションのための広範に適用可能な信号として、歴史的指向性フィードバックをサポートする。
  論文  参考訳（メタデータ） (2026-10-09T16:36:51Z)
• Towards Robust Time Series Learning via Capacity-Centric Modulation [76.23489485385964]
  本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。 SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。 301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
  論文  参考訳（メタデータ） (2026-09-30T10:51:23Z)
• SPeaR: Test-Time Adaptation with Steering Primitives for Realigning Representations [36.19851838462589]
  テスト時間適応(TTA)は、未ラベルのテストデータのみを使用して分散シフトに対処する。 ステージバウンダリに軽量な学習可能なモジュールを挿入し,テストストリームから直接最適化するSPeaRを紹介する。 我々は、初期の表現を操ることが最も効果的な戦略であり、同じプリミティブなトランスファーが畳み込みアーキテクチャやトランスフォーマーアーキテクチャにまたがっていることを示す。
  論文  参考訳（メタデータ） (2026-09-21T04:50:56Z)
• PG-MAP: Joint MAP Optimization for Inference-Time Alignment of Diffusion and Flow-Matching Models [0.8594140167290097]
  事前訓練されたテキスト-画像モデルの推測時間アライメントは、通常、単一の制御軸に沿って実行される。 我々は、軌道レベルのギブスマップ/近位エネルギー最適化として推論時間アライメントを定式化する、トレーニング不要のフレームワークPG-MAPを提案する。
  論文  参考訳（メタデータ） (2026-06-22T07:36:36Z)
• The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation [86.83038620308423]
  Continual Test-Time Adaptation (CTTA)は、ソースデータにアクセスすることなく、分散シフトの下でラベルなしのデータストリームへのオンライン適応を可能にすることを目的としている。 我々は,GOLD ( Guided Online Low-rank Directional Adaptation) を提案する。これは,Goldenサブスペースに機能を投影する軽量アダプタを用いて,サブスペースがAGOPを介して動的に更新される間に,コンパクトなスケーリングベクトルを学習する。
  論文  参考訳（メタデータ） (2026-03-23T12:48:38Z)
• Enhancing Diffusion Model Guidance through Calibration and Regularization [9.22066257345387]
  本稿では,この問題に対処するための2つの補完的貢献を紹介する。 まず,Smooth expected Error(Smooth ECE)に基づく微分可能なキャリブレーション目標を提案する。 第2に,再訓練を必要とせず,市販の分類器で動作可能なサンプリング誘導手法を開発した。
  論文  参考訳（メタデータ） (2025-11-08T04:23:42Z)
• Grad-PU: Arbitrary-Scale Point Cloud Upsampling via Gradient Descent with Learned Distance Functions [77.32043242988738]
  我々は、任意のアップサンプリングレートをサポートする、正確なポイントクラウドアップサンプリングのための新しいフレームワークを提案する。 提案手法は,まず,所定のアップサンプリング率に応じて低解像度の雲を補間する。
  論文  参考訳（メタデータ） (2023-04-24T06:36:35Z)
• Train/Test-Time Adaptation with Retrieval [129.8579208970529]
  Train/Test-Time Adaptation with Retrieval(rm T3AR$)を紹介します。 $rm T3AR$は、洗練された擬似ラベルと自己教師付きコントラスト目的関数を使用して、所定のモデルを下流タスクに適合させる。 検索モジュールのおかげで、ユーザまたはサービスプロバイダは、下流タスクのモデル適応を改善することができる。
  論文  参考訳（メタデータ） (2023-03-25T02:44:57Z)
• Fine-grained Retrieval Prompt Tuning [149.9071858259279]
  微粒な検索プロンプトチューニングは, サンプルプロンプトと特徴適応の観点から, きめの細かい検索タスクを実行するために, 凍結した事前学習モデルを操る。 学習可能なパラメータが少ないFRPTは、広く使われている3つの細粒度データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-29T04:10:04Z)

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。