論文の概要: Degree-Equalized View-Graph Selection under Tight Pair Budgets

• arxiv url: http://arxiv.org/abs/2611.07498v1
• Date: Thu, 05 Nov 2026 06:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.56262
• Title: Degree-Equalized View-Graph Selection under Tight Pair Budgets
• Title（参考訳）: タイトペア予算下でのディグレー等化ビューグラフ選択
• Abstract要約: ワンショットセレクタは、画像検索、安価な幾何プローブ、学習前のBペアを完全なマッチングの前に最終化する。 B=2Nの9つの大規模な1DSfMインターネット写真コレクションの中で、カバートップBセレクタは54%のカバーイメージを残し、少なくとも2度は実現している。 ディールは同じ事前(0.776から0.929)に構築されたワンショットセレクタを改善し、共有バックエンドの前のSfM監督エッジの平均登録イメージ比と一致する。
• 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: Fully matching all image pairs in Structure-from-Motion is quadratic in the number of images, so practical pipelines pass a budgeted subset to the final matching and reconstruction backend. One-shot selectors score candidates with image retrieval, cheap geometric probes, or a learned prior and finalize B pairs before full matching. Their priorities do not account for the degree already allocated to each image, which can concentrate edges on a few images. Across nine large 1DSfM internet photo collections at B=2N, the coverage top-B selector leaves 54% of covered images with realized degree at most two. Reconstruction can then fail even when the selected graph is nearly connected and almost fully verified. Our training-free greedy rule, Degree-Equalized Allocation (DEAL), exponentially downweights pairs whose endpoints are already well covered. On these collections, DEAL improves the one-shot selector built on the same prior (from 0.776 to 0.929) and matches the mean registered-image ratio of an SfM-supervised edge prior under the shared backend (0.929 vs 0.930), without training. On the largely saturated 38-scene standard benchmark suite, DEAL gives the highest mean among the evaluated training-free selectors (0.875 vs 0.858 one-shot).
• Abstract（参考訳）: Structure-from-Motionにおけるすべてのイメージペアの完全なマッチングは、イメージ数の2乗であるので、実用的なパイプラインは、予算化されたサブセットを最終的なマッチングと再構築のバックエンドに渡す。 ワンショットセレクタは、画像検索、安価な幾何プローブ、学習前のBペアを完全なマッチングの前に最終化する。 それらの優先順位は、各画像に割り当てられた度合いを考慮せず、いくつかの画像にエッジを集中させることができる。 B=2Nの9つの大規模な1DSfMインターネット写真コレクションの中で、トップBセレクタはカバー画像の54%を残している。 選択されたグラフがほぼ接続され、ほぼ完全に検証されている場合でも、再構成は失敗する可能性がある。 我々のトレーニングなしの欲求規則であるDegree-Equalized Allocation (DEAL)は、すでにエンドポイントがカバーされている指数関数的にダウンウェイトなペアである。 これらのコレクションでは、DEALは同じ事前(0.776から0.929)に構築されたワンショットセレクタを改善し、トレーニングなしで共有バックエンド(0.929対0.930)の前のSfM管理エッジの平均登録イメージ比と一致する。 ほぼ飽和した38ステージ標準ベンチマークスイートでは、DeALは評価されたトレーニングなしセレクタ(0.875対0.858ワンショット)の中で最高の平均値を与えている。

関連論文リスト

• Expanding the Quality-Coverage Frontier with Competitive Flow Matching [66.94222966023538]
  フローマッチングジェネレータは、しばしば品質とカバレッジのトレードオフに直面します。 トレーニング中の予測の競合を紹介します。 我々は、SiTとRAEv2の2つのテストベッドを用いて、ImageNet-256の検証を行った。
  論文  参考訳（メタデータ） (2026-11-04T19:16:10Z)
• PATTS: Parallel-Aware Test-Time Scaling for Thought-Image Generation in Multimodal Discrete Diffusion LLMs [48.679227622825806]
  テスト時間スケーリング(TTS)は、追加の推論時間計算をサンプリング、検索、検証に割り当てることで、生成モデルを改善する。 並列マルチモーダル離散拡散言語モデルに対するTSについて検討し、推論トークンと画像トークンを共同で復号化する。 クロスモーダル検証信号を用いて中間的な思考イメージ状態を探索する並列認識型TTSフレームワークであるPATTSを提案する。
  論文  参考訳（メタデータ） (2026-11-03T14:10:56Z)
• WoodBR-Cross: A public wood-image dataset and individual-tree-disjoint benchmark for species identification [35.67825183443163]
  WoodBR-Crossは38の分類クラスで4,875個の横面画像を含んでいる。 結果は、このコレクションから以前見られなかった木の性能を推定する。
  論文  参考訳（メタデータ） (2026-10-08T19:57:10Z)
• PortraitAes: Intent-Conditioned Structured Portrait Aesthetic Assessment [19.108580300924572]
  ポートレートの美的評価は、人間中心の画像が写真の意図をいかに効果的に満たすかに応じて、同等のスコアを割り当てる。 既存の方法は、1つの美的スコアを予測したり、写真意図を考慮せずに汎用MLLMを使用するのが一般的である。 11KスケールのベンチマークであるPortraitAes-Benchを導入する。
  論文  参考訳（メタデータ） (2026-10-04T07:08:51Z)
• Global-Aware Edge Prioritization for Pose Graph Initialization [58.77851776918465]
  画像がノードとして機能し、エッジが相対的なポーズをエンコードするStructure-from-Motion(SfM)のコアコンポーネントである。 幾何的検証は高価であるため、SfMパイプラインはポーズグラフを候補エッジのスパース集合に制限する。 本稿では、この制限をエッジ優先順位付けの概念によって解決し、SfMの実用性によって候補エッジをランク付けする。 提案手法は,(1)一貫したエッジ信頼性を予測するために,SfMから指導を受けたGNN,(2)これらのランクで案内されるマルチミニマルスパンニングツリーに基づくポーズグラフ構築,(3)弱い領域を補強する接続性を考慮したスコア変調,の3つの構成要素を有する。
  論文  参考訳（メタデータ） (2026-02-25T14:44:53Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• Deep Probabilistic Graph Matching [72.6690550634166]
  本稿では,マッチング制約を伴わずに,元のQAPに適合する深層学習ベースのグラフマッチングフレームワークを提案する。 提案手法は,一般的な3つのベンチマーク(Pascal VOC,Wilow Object,SPair-71k)で評価され,すべてのベンチマークにおいて過去の最先端よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-05T13:37:27Z)
• Understanding Image Retrieval Re-Ranking: A Graph Neural Network Perspective [52.96911968968888]
  本稿では,GNN(High-parallelism Graph Neural Network)関数として再ランク化が可能であることを示す。 market-1501データセットでは、1k40m gpuで89.2sから9.4msへのリランキング処理を高速化し、リアルタイムのポストプロセッシングを容易にする。
  論文  参考訳（メタデータ） (2020-12-14T15:12:36Z)
• Rank-smoothed Pairwise Learning In Perceptual Quality Assessment [26.599014990168836]
  階層的確率でペアワイドな経験的確率を正規化することで、より信頼性の高いトレーニング損失がもたらされることを示す。 画像品質評価モデルのトレーニングにおいて,ランクスムースな損失が人間の嗜好を予測する精度を常に向上させることを示す。
  論文  参考訳（メタデータ） (2020-11-21T23:33:14Z)

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。