12673 articles
Attention 機構を用いた糖網膜症病変セグメンテーション
Diabetic Retinopathy Lesion Segmentation through Attention Mechanisms
arXiv:2602.07301v1 Announce Type: new 抽象：糖尿病性網膜症（DR）は糖尿病による視覚障害や失明を引き起こす眼病です。不可逆的な視覚障害を防ぐためには、画期的なスクリーニングを通じて早期発見が重要です。研究者は多数の深層学習に基づく自動化アルゴリズムを DR スクリーニングの開発してこましたが、その臨床的な適用性は特に病変セグメンテーションに限界があり続いていま...
Original: arXiv:2602.07301v1 Announce Type: new Abstract: Diabetic Retinopathy (DR) is an eye disease which arises due to diabetes mellitus. It might cause vision loss and blindness. To prevent irreversible vi...
画像処理における線形遺伝的プログラミングを用いた析出物セグメンテーションの最適化
Optimization of Precipitate Segmentation Through Linear Genetic Programming of Image Processing
arXiv:2602.07310v1 Announce Type: new Abstract: 現在の加法的製造されたニオブ系銅合金の解析は、顕微写真に存在するコントラストの違い、ノイズ、画像アートのため手動アノテーションに依存しており、合金開発における反復速度が遅くなっています。私たちが、各種の画像アートを考慮し最適化された線形遺伝的プログラミング（LGP）を用いて、FIB断面顕微写真における析...
Original: arXiv:2602.07310v1 Announce Type: new Abstract: Current analysis of additive manufactured niobium-based copper alloys relies on hand annotation due to varying contrast, noise, and image artifacts pre...
LUCID-SAE: 可解釈な概念発見のための統合的なビジョン・ランゲージスパースコード学習
LUCID-SAE: Learning Unified Vision-Language Sparse Codes for Interpretable Concept Discovery
arXiv:2602.07311v1 発表 タイプ：新しい 要約：スパースオートエンコーダー（SAE）は、異なる表現空間間で比較可能な説明を提供する自然な経路を開示します。しかし、現在の SAE は各模態ごとに訓練され、その辞書の機能は直接理解不能であり、説明はドメインを超えて移転できません。本研究では、画像パッチおよびテキストトークンの表現に対する共有潜在辞書を実際に学習しつつ、模態固有の詳細用...
Original: arXiv:2602.07311v1 Announce Type: new Abstract: Sparse autoencoders (SAEs) offer a natural path toward comparable explanations across different representation spaces. However, current SAEs are traine...
言葉を通じて道路を見る：RGB-T 運転シーンのセグメンテーションのための言語誘導型枠組み
Seeing Roads Through Words: A Language-Guided Framework for RGB-T Driving Scene Segmentation
arXiv:2602.07343v1 Announce Type: new 要約：過酷な照明、照明、あるいは影の条件下における道路シーンの頑健なセマンティックセグメンテーションは、自動運転アプリケーションにおける核心的な課題です。RGB-サーマル融合は標準的なアプローチであるものの、既存の手法はすべての条件に対して統一された静的な融合戦略を適用しており、これは各モーダル特有のノイズがネットワーク...
Original: arXiv:2602.07343v1 Announce Type: new Abstract: Robust semantic segmentation of road scenes under adverse illumination, lighting, and shadow conditions remain a core challenge for autonomous driving ...
適応型マッティングディスティルによる少段階生成の最適化
Optimizing Few-Step Generation with Adaptive Matching Distillation
arXiv:2602.07345v1 Announce Type: new 抽象: ディストリビューションマッチングディスティル（DMD）は強力な加速パラダイムですが、その安定性はしばしば「禁地」と呼ばれる領域で損なわれます。禁地とは、現実の教師モデルが信頼性の低いガイドを、そして偽の教師モデルが十分な排斥力を発しない領域を指します。本稿では、これらの腐敗された領域を回避する暗黙的な戦略として既存...
Original: arXiv:2602.07345v1 Announce Type: new Abstract: Distribution Matching Distillation (DMD) is a powerful acceleration paradigm, yet its stability is often compromised in Forbidden Zone, regions where t...
行・列分離型注意ベースの低照度画像・映像向上装置
Row-Column Separated Attention Based Low-Light Image/Video Enhancement
arXiv:2602.07428v1 発表形式：新しい 要約：U-Net 構造は、低照度画像・映像向上に広く用いられている。向上された画像は、適切なグローバル情報の誘導がなされていない場合に、大幅な局所的ノイズの発生や詳細の欠損といった結果となる。注意機構は、より効果的にグローバル情報を注視し活用できる。しかし、画像への注意の適用はパラメータ数および計算量を著しく増加させる可能性がある。我々は、向...
Original: arXiv:2602.07428v1 Announce Type: new Abstract: U-Net structure is widely used for low-light image/video enhancement. The enhanced images result in areas with large local noise and loss of more detai...
不完了深度マップと表面法線の視点認識融合法による精度の高い 3D 再構築
Perspective-aware fusion of incomplete depth maps and surface normals for accurate 3D reconstruction
arXiv:2602.07444v1 Announce Type: new 要約: 私たちは、単一の視点カメラベースのセンサシステムによって取得された深度マップと表面法線マップから 3D 表面を再構築する課題に取り組んでいます。深度マップと法線マップは、それぞれ、構造化光スキャンとフォトメトリック立体視などの手法によって入手できます。私たちは、既存の直方体勾配ベースの深度 - 法線融合法を拡張し、...
Original: arXiv:2602.07444v1 Announce Type: new Abstract: We address the problem of reconstructing 3D surfaces from depth and surface normal maps acquired by a sensor system based on a single perspective camer...
PTB-XL-Image-17K: 大規模な合成 ECG イメージデータセットと、深層学習ベースの数字化化に不可欠な包括的な真の信号データ
PTB-XL-Image-17K: A Large-Scale Synthetic ECG Image Dataset with Comprehensive Ground Truth for Deep Learning-Based Digitization
arXiv:2602.07446v1 Announce Type: new 要旨: 電子心電図（ECG）の数字化化（紙製のまたはスキャンした ECG イメージを時系列信号に戻す作業）は、現代の深層学習応用に数十年にわたるレガシー臨床データを活用する上で不可欠です。ただし、ECG イメージとその対応する包括的なアノテーション付きの真の信号を両方提供する大規模なデータセットの不足により、その進展が妨げ...
Original: arXiv:2602.07446v1 Announce Type: new Abstract: Electrocardiogram (ECG) digitization-converting paper-based or scanned ECG images back into time-series signals-is critical for leveraging decades of l...
SoulX-FlashHead: オラクル導向による無限のリアルタイムストリーミングTalking Heads の生成
SoulX-FlashHead: Oracle-guided Generation of Infinite Real-time Streaming Talking Heads
arXiv:2602.07449v1 Announce Type: new Abstract: 高解像度の画像品質と低遅延ストリーミングとのバランスを保つことは、音声驱动的ポートレート生成において大きな課題です。既存の大規模モデルは計算コストが著しく高く、軽量な代替方案はまた、顔の全体表現や時系列安定性を犠牲にしています。本論文では、リアルタイム・無限長・高画質ストリーミングビデオ生成を設計した ...
Original: arXiv:2602.07449v1 Announce Type: new Abstract: Achieving a balance between high-fidelity visual quality and low-latency streaming remains a formidable challenge in audio-driven portrait generation. ...
SpatialReward: 明示的な空間推論によるオンライン RL における画像編集での認識ギャップの架橋
SpatialReward: Bridging the Perception Gap in Online RL for Image Editing via Explicit Spatial Reasoning
arXiv:2602.07458v1 Announce Type: new オンライン強化学習（RL）は複雑な画像編集に対して有望な道を開きつつありますが、現在、信頼性と詳細なリワードシグナルの希少さに制約されています。既存のエバリュエーターは、クロス画像比較の忘却や詳細な特徴のキャプチャ不全という、私たちが「Attention Collapse（注意崩壊）」と呼びる重要な認識ギャップに直面する...
Original: arXiv:2602.07458v1 Announce Type: new Abstract: Online Reinforcement Learning (RL) offers a promising avenue for complex image editing but is currently constrained by the scarcity of reliable and fin...
GlobalWasteData: 頑健な廃棄物分類と環境監視のための大規模統合データセット
GlobalWasteData: A Large-Scale, Integrated Dataset for Robust Waste Classification and Environmental Monitoring
arXiv:2602.07463v1 Announce Type: new Abstract: 廃棄物の増加は、多種多様な廃棄物に対して効率的な分別技術を必要とする環境問題です。この目的のためには、自動化された廃棄物分類システムが用いられています。これらの人工知能（AI）モデルの効果は、分類アルゴリズムのトレーニングと解析の基盤となる公共データセットの品質とアクセス可能性に依存しています。いくつ...
Original: arXiv:2602.07463v1 Announce Type: new Abstract: The growing amount of waste is a problem for the environment that requires efficient sorting techniques for various kinds of waste. An automated waste ...
学習された ddometry と Gaussian Splatting を活用した熱検出器による熱 odometry と高密度マッピング
Thermal odometry and dense mapping using learned ddometry and Gaussian splatting
arXiv:2602.07493v1 Announce Type: new Abstract: 煙粒子より波長の長い波長を持つ赤外線熱センサは、暗さ、埃、そして煙にも関与せず画像を捕捉できる。この頑健さは、ロボットにおける運動推定と環境認識において、特に悪条件でますます価値を提供している。しかしながら、既存の熱 odometry とマッピング手法は主に幾何学的なものであり、多様なデータセット間で...
Original: arXiv:2602.07493v1 Announce Type: new Abstract: Thermal infrared sensors, with wavelengths longer than smoke particles, can capture imagery independent of darkness, dust, and smoke. This robustness h...
階層的視覚埋め込みを用いた脳表現の学習
Learning Brain Representation with Hierarchical Visual Embeddings
arXiv:2602.07495v1 Announce Type: new Abstract: 脳信号から視覚表現を解読する技術は、神経科学および人工知能の両分野で大きな注目を集めています。しかし、脳信号がどれだけ真に視覚情報を符号化しているかはまだ不明確です。現在の視覚解読アプローチは多様な脳画像一致戦略を探求していますが、大半は上位のセマンティック特性に焦点を当てており、ピクセルレベルの詳細...
Original: arXiv:2602.07495v1 Announce Type: new Abstract: Decoding visual representations from brain signals has attracted significant attention in both neuroscience and artificial intelligence. However, the d...
IM-Animation: 構造化されていない動作的表現を用いた同一性解離型キャラクターアニメーション
IM-Animation: An Implicit Motion Representation for Identity-decoupled Character Animation
arXiv:2602.07498v1 発表型：新しい 要旨: 最近、動画拡散モデルにおける進歩は、静止画像を駆動動画に基いてアニメーション化することにより、動きのある動画を生成するキャラクターアニメーションを著しく前進させました。明示的アプローチは、スケルトン、DWPose、その他の明示的な構造化シグナルを用いて動작を表すものの、空間的な不整合や変化する体型のスケールに対応するに困難な課題を抱えて...
Original: arXiv:2602.07498v1 Announce Type: new Abstract: Recent progress in video diffusion models has markedly advanced character animation, which synthesizes motioned videos by animating a static identity i...
UAV 物体検出のための境界ボックス変換を用いた適応画像ズームイン
Adaptive Image Zoom-in with Bounding Box Transformation for UAV Object Detection
arXiv:2602.07512v1 発表タイプ：新規 抽出: UAV で撮影された画像から物体を検出するのは、物体が小さいという点に課題を抱えています。本研究では、UAV 画像における物体検出のための単純かつ効率的な適応ズームインフレームワークを探求します。主要な動機は、一般のシーン画像と比較して、前景の物体はより小さく分散しており、これが効果的な物体検出器の最適化を妨げる点です。したがって、我...
Original: arXiv:2602.07512v1 Announce Type: new Abstract: Detecting objects from UAV-captured images is challenging due to the small object size. In this work, a simple and efficient adaptive zoom-in framework...
CA-YOLO：生物ミメティックな局部化のためにクロス注意力機能を強化した YOLO
CA-YOLO: Cross Attention Empowered YOLO for Biomimetic Localization
arXiv:2602.07523v1 Announce Type: new 要旨：現代の複雑な環境において、正確かつ効率的な対象局部化は多数の分野で不可欠となっています。しかし、既存のシステムでは精度や小さな対象の識別能力に制約が存在します。本研究では、CA-YOLO に基づいた生物学的に安定した局部化システムを提案し、対象局部化精度と小さな対象の識別能力の両方を向上させます。このシステムの「脳」...
Original: arXiv:2602.07523v1 Announce Type: new Abstract: In modern complex environments, achieving accurate and efficient target localization is essential in numerous fields. However, existing systems often f...
Object-Centric モデルの評価：物発見を超えて
Evaluating Object-Centric Models beyond Object Discovery
arXiv:2602.07532v1 発表 タイプ：新しい 要旨：オブジェクト中心学習（OCL）は、構成可能な一般化と分布外（OOD）データに対する頑健性をサポートする構造化されたシーンの表現を学習することを目的としています。しかし、OCL モデルはこれらの目標について評価されていることは稀です。代わりに、既存の多くの研究は、オブジェクト発見と単純な推理タスク（画像分類を通じて表現を調べるなど）を...
Original: arXiv:2602.07532v1 Announce Type: new Abstract: Object-centric learning (OCL) aims to learn structured scene representations that support compositional generalization and robustness to out-of-distrib...
グローバルコンテキストビジョントランスフォーマーを用いた微細種別猫の認識
Fine-Grained Cat Breed Recognition with Global Context Vision Transformer
arXiv:2602.07534v1 Announce Type: new 摘要：画像から猫の種を正確に識別することは、毛並み、顔の構造、色といった微妙な差に対処する必要があるため、難しい課題です。本稿では、オックスフォード・IIIT ペットデータセットの一部を用い、画像から猫の種を分類する、深層学習ベースのアプローチを提示します。このデータセットには、さまざまな家庭猫の高解像度画像が含まれてい...
Original: arXiv:2602.07534v1 Announce Type: new Abstract: Accurate identification of cat breeds from images is a challenging task due to subtle differences in fur patterns, facial structure, and color. In this...
コアとペンムブラを超えた：時系列画像駆動脳卒中進化分析
Beyond Core and Penumbra: Bi-Temporal Image-Driven Stroke Evolution Analysis
arXiv:2602.07535v1 Announce Type: new 要約：入院時のコンピューター断層画像侵襲（CTP）は通常、虚血コアとペンムブラの推定に使用され、フォローアップの拡散強調磁気共鳴画像（DWI）は確定された虚血症の結果を提供します。しかし、単一時点のセグメンテーションでは、脳卒中の生化学的多様性と時系列的進化する過程を捉えられないままです。私たちは、統計記述子、放射画像テ...
Original: arXiv:2602.07535v1 Announce Type: new Abstract: Computed tomography perfusion (CTP) at admission is routinely used to estimate the ischemic core and penumbra, while follow-up diffusion-weighted MRI (...
限られたペアリングデータにおける LLM 指導型診断証拠整合 Medical Vision-Language Pretraining
LLM-Guided Diagnostic Evidence Alignment for Medical Vision-Language Pretraining under Limited Pairing
arXiv:2602.07540v1 Announce Type: new 摘訳：既存の CLIP スタイルの医療画像 - 言語自己学習法は、大量のペアリングデータに依存したグローバルまたはローカルの整合性を使用しています。しかし、グローバルな整合性は診断的非診断情報に支配されやすく、ローカルの整合性は重要な診断証拠の統合を失敗します。その結果、信頼できる診断表現の学習は困難になり、これらは限られ...
Original: arXiv:2602.07540v1 Announce Type: new Abstract: Most existing CLIP-style medical vision--language pretraining methods rely on global or local alignment with substantial paired data. However, global a...