Tag
6 件の関連記事
arXiv cs.CVは11月4日(現地時間)、Vision--Language Models (VLM)のトランスダクティブ適応を強化する新たなフレームワーク「JPTA (Joint Prior and Transport Adaptation)」に関する研究論文を発表しました。モハメド・ラフマン・シェリフ・カーン・モハマド氏らが著し、NeurIPS 2026で採択されたこの研究は、既存手法が抱える予測精度の課題に対処し、特にデータがスパースなバッチや事前分布に偏りがあるバッチにおいて、堅牢な性能向上を示すとしています。
arXivは2026年10月15日(現地時間)、インヘン・ワン (Yingheng Wang) 氏らによる研究論文を公開し、拡散モデルの学習効率と生成品質を高める新しい手法「ローカル・アピアランス・ピュリフィケーション (LAP)」を発表した。LAPは、既存の事前学習済み視覚エンコーダから生成により有用な情報を精製し、アラインメントのターゲットを最適化する。この手法は、拡散モデルのトレーニングや推論プロセスに一切変更を加えることなく適用可能だ。
arXiv cs.CVは2026年10月3日(現地時間)、Siyu Huang氏らが、画像言語モデルのTest-Time Adaptation (TTA)における既存の課題を解決するため、リスクを考慮したデュアルキャッシング手法「RADC (Risk-Aware Dual Caching)」を発表した。この手法は、信頼性の高いプロトタイプ学習を通じて、背景バイアスや表現変動下でのキャッシュ受け入れにおける信頼性の不足を改善することを目指す。
arXiv cs.CVは2026年8月20日(現地時間)、Jai Kumar Sharma氏とAmartya Dutta氏らによる論文を公開しました。この論文は、Zero-Shot Vision-Language Models (VLMs)における分割適合予測の周辺被覆率が、デプロイメントシフトの状況下でクラス条件付きテール被覆率の深刻な崩壊を経験する可能性を指摘しています。
ボーハン・リュウ (Bohan Liu) 氏らは2026年7月2日(現地時間)、Contrastive Language-Image Pretraining (CLIP) モデルが画像内の無関係なテキストに誤って影響される「Typographic Attack (TA)」に対し、訓練不要で堅牢性を向上させる新しいメカニズム的解釈手法を発表した。この手法は、Vision Transformer (ViT) の特定のコンポーネントが語彙情報を過度にエンコードする原因を特定し、簡単な介入によってオブジェクト分類におけるTAに対する堅牢性を大幅に改善するとしている。
Hoang-Bao Le (ホアンバオ・ル) 氏らは6月23日(現地時間)、ビジョン言語モデル (VLMs) の否定表現に対する認識能力を向上させる新たなモデル「ハントリップ (HANCLIP)」を発表した。この発表はarXiv cs.CVに掲載された論文による。従来のVLMsは否定表現に脆弱で、浅い単語共起に依存し、誤解を招くテキスト情報に惑わされる傾向があった。HANCLIPはこの課題に対処するため、埋め込み空間を再構築し、画像が「何であるか」だけでなく「何ではないか」も明示的に符号化する。