KNOWLEDGE VAULT — GENRE
マルチモーダル
収蔵 10件最新 2026-11-08
このジャンルのタグ
月別アーカイブ
2026-11 の収蔵
2026-11-08
GeneOH Diffusion: 拡散モデルを用いた汎用的な手と物体の相互作用(HOI)のデノイジング
GeneOH Diffusion: Towards Generalizable Hand-Object Interaction Denoising via Denoising Diffusion
出典:arXiv Core: Random Matrix Theory & Ising Spin Glass(Authors: Xueyi Liu, Li Yi | 2024-02-22)
- 誤った手と物体の相互作用(HOI)シーケンスから、不自然な手のポーズや関係性を除去し、知覚的にリアルな軌跡を復元する手法を提案。
- 接触中心の新しいHOI表現「GeneOH」を導入することで、多様な相互作用シナリオに対するモデルの汎用性を向上。
- ノイズのパターンや未知の相互作用に対しても頑健に動作する、ドメイン汎用型のデノイジングスキームを構築。
2026-11-08
実蛍光顕微鏡画像を用いたポアソン・ガウスノイズ除去データセット
A Poisson-Gaussian Denoising Dataset with Real Fluorescence Microscopy Images
出典:arXiv Core: Random Matrix Theory & Ising Spin Glass(Authors: Yide Zhang, Yinhao Zhu, Evan Nichols et al. | 2018-12-26)
- 蛍光顕微鏡画像特有の「ポアソン・ガウスノイズ(ショットノイズが支配的)」に対応する専用のデータセットが欠如している課題を特定。
- 商用顕微鏡(共焦点、二光子、広視野)を用いて取得した、細胞、ゼブラフィッシュ、マウス脳組織を含む12,000枚のリアルな画像を含む「FMDデータセット」を構築。
- 特定の生物学的サンプルとノイズ特性を網羅することで、より実用的なノイズ除去アルゴリズムの開発と評価を可能にする。
2026-11-08
SCENARIODIFF: マルチモーダル時系列予測のためのシナリオレベルのガイダンスフレームワーク
SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting--Extended Version
出典:arXiv Core: Tabular, GBDT & Time-Series(Authors: Tuan-Binh Tran, Dat Nguyen Cong, Duc-Trong Le et al. | 2026-08-17)
- ニュースやレポート等のテキスト情報を、時系列予測における外部イベントのシグナルとして活用する。
- LLMに数値を直接予測させるのではなく、情報を「歴史」「シナリオ」「アンカー」の3段階に構造化して推論させる。
- ノイズが多く、時系列と弱く整合している文書データから、予測の解釈性と制御性を高める手法を提案する。
2026-11-08
多様なText-to-3D生成のためのFlow Score Distillation
Flow Score Distillation for Diverse Text-to-3D Generation
出典:arXiv Core: LLM Quantization, Distillation & Test-Time Compute(Authors: Runjie Yan, Kailu Wu, Kaisheng Ma | 2024-05-16)
- Score Distillation Sampling (SDS) は高品質な3D資産を生成できるが、最大尤度を求める性質上、生成結果の多様性が制限される課題がある。
- DDIMの生成プロセス(PF-ODE)をSDS損失の類似表現として捉え直し、SDSを一般化されたDDIM生成プロセスとして再定義した。
- ノイズ付加段階におけるノイズサンプリング戦略が多様性を制限していることを特定し、新たなノイズサンプリング手法を用いた「Flow Score Distillation (FSD)」を提案した。
2026-11-08
Delta Denoising Score (DDS): テキストベースの画像編集のための新規スコアリング関数
Delta Denoising Score
出典:arXiv Core: Random Matrix Theory & Ising Spin Glass(Authors: Amir Hertz, Kfir Aberman, Daniel Cohen-Or | 2023-04-14)
- SDS(Score Distillation Sampling)を用いた画像編集において、ノイズの多い勾配により出力がぼやける問題を解決する。
- 入力画像と一致するプロンプトを特定し、それを用いた「Delta Denoising Score (DDS)」を導入することで、不要な勾配方向を排除する。
- 拡散モデルの生成事前分布を活用し、ターゲットプロンプトの内容へ最小限の修正で画像を誘導する。
2026-11-08
CoSTARブロック積みデータセット:ワークスペース制約下での学習
The CoSTAR Block Stacking Dataset: Learning with Workspace Constraints
出典:arXiv Core: Ensemble Diversity & Empirical Bayes(Authors: Andrew Hundt, Varun Jain, Chia-Hung Lin et al. | 2018-10-27)
- 既存の物体把持データセットにおける制約の緩和が、現実的な環境下でのブロック積みタスクの失敗を招くことを指摘。
- より制約の少ない環境で、5.1cmのカラーブロックを用いた注文履行スタイルの積みタスクを実行する「JHU CoSTAR Block Stacking Dataset (BSD)」を導入。
- 約12,000件の積み試行と200万フレーム以上のリアルタイム時系列データを含む、動的なシーンを網羅したデータセットを提供。
2026-11-08
頭頸部癌の予後予測におけるラジオミクス強化型ディープマルチタスク学習
Radiomics-enhanced Deep Multi-task Learning for Outcome Prediction in Head and Neck Cancer
出典:arXiv Core: Conformal, Calibration & Optimal Transport(Authors: Mingyuan Meng, Lei Bi, Dagan Feng et al. | 2022-11-10)
- 頭頸部癌の予後予測において、手動セグメンテーションへの依存を減らしつつ、腫瘍領域の情報を最大限に活用する手法を提案。
- 従来のEnd-to-End学習では画像全体を対象とするため腫瘍に集中できない課題に対し、ラジオミクス特徴量を統合することで解決を図る。
- HECKTOR 2022コンペティションの枠組みにおいて、PET/CT画像を用いたマルチタスク学習フレームワークを構築。
2026-11-08
単純なピック・アンド・プレイスを超えて:多様な形状のロボットスタッキングへの挑戦
Beyond Pick-and-Place: Tackling Robotic Stacking of Diverse Shapes
出典:arXiv Core: Ensemble Diversity & Empirical Bayes(Authors: Alex X. Lee, Coline Devin, Yuxiang Zhou et al. | 2021-10-12)
- 複雑な幾何学的形状を持つ物体を扱うための、高度なスタッキングタスクとデータセットを提案。
- 強化学習(RL)、視覚ベースのインタラクティブなポリシー蒸留、およびSim-to-Real転送を組み合わせた手法を開発。
- シミュレーションでの学習における重要因子を特定し、収集したデータを用いてオフライン強化学習でポリシーを改善。
2026-11-08
科学的発見のためのディープデノイジング:電子顕微鏡を用いたケーススタディ
Deep Denoising For Scientific Discovery: A Case Study In Electron Microscopy
出典:arXiv Core: Random Matrix Theory & Ising Spin Glass(Authors: Sreyas Mohan, Ramon Manzorro, Joshua L. Vincent et al. | 2020-10-24)
- 科学的イメージングにおけるノイズ除去の課題に対し、深層畳み込みニューラルネットワーク(CNN)の適用可能性を探索。
- 真のノイズレス画像が得られない科学分野の制約を克服するため、シミュレーションに基づくデノイジング(SBD)フレームワークを提案。
- 透過型電子顕微鏡(TEM)データを用いた評価において、SBDはシミュレーションおよび実データの両方で既存手法を大幅に上回る性能を達成。
2026-11-08
ハリケーン予測:マルチモーダル機械学習フレームワークの提案
Hurricane Forecasting: A Novel Multimodal Machine Learning Framework
出典:arXiv Core: Tabular, GBDT & Time-Series(Authors: Léonard Boussioux, Cynthia Zeng, Théo Guénais et al. | 2020-11-11)
- Hurricastと命名された、熱帯低気圧の強度および進路予測のための新しいマルチモーダル機械学習フレームワークを提案。
- ディープラーニングのエンコーダ・デコーダ構造で空間・時系列データから特徴を抽出し、勾配ブースティング決定木(GBDT)で予測を行う。
- 2016-2019年のデータを用いた評価で、既存の運用予測モデルと同等の精度を数秒で達成し、既存モデルを補完する可能性を示した。
このページの要約は、収集パイプラインが自動生成した digest(要約)です。内容の正確なところは、必ず各項目の出典リンク先の原文で確認してください。出典の本文そのものは掲載していません。ジャンル分けも自動分類のため、周辺の話題が混ざることがあります。