arXiv雑要約
画像・音声 - 2026/06/18 公開
モデルにおける市場：潜在拡散を神経経済として [cs.CY, cs.CV]目的：潜在拡散モデルのメカニズム解釈
- 画像生成モデルは視覚文化に大きな影響を与えており，その社会的影響を理解することが重要である。
- モデル内部のイデオロギー的立場や意思決定プロセスに関する分析が不足している。
- モデルの構成要素と歴史的背景を分析し，社会的なコミュニケーションの論理を解明する。
- 潜在拡散モデルは，コンピュータービジョン技術者が抱える問題を解決するために設計された一連の自動化された意思決定プロセスである。
- このモデルは，社会的なコミュニケーションをベクトル化し，商品として販売可能な要素へと変換する「神経経済」として機能する。
- 著作権や商品防衛に焦点を当てた批判は，モデルが生み出す偶像崇拝を再確認する危険性があり，社会的な交流を重視すべきである。
エゴ視点動画からの4Dハンド再構成のためのフィードフォワード3Dガウススプラッティング手法：Hand-4DGS [cs.RO, cs.CV]目的：エゴ視点動画からの動的な4Dハンド再構成
- AR/VRやAIグラス等の次世代コンピューティングプラットフォームにおいて，3Dハンド再構成は不可欠な技術である。
- エゴ視点からの再構成は，頭部の高速な動き，手の急激な動き，遮蔽，単一視点からの曖昧さにより困難である。
- 本研究は，これらの課題を克服し，高速かつ汎用性の高い4Dハンド再構成を実現することを目指す。
- Hand-4DGSは，エゴ視点動画から動的な4Dハンドを直接再構成する初のフィードフォワードフレームワークである。
- 本手法は，高速な推論（約60FPS）と高い汎化性能を可能にする。
- H2OとARCTICデータセットでの評価により，既存手法と比較して有意な改善が確認された。
報酬は常にデータにあった：識別器誘導強化学習によるフローマッチングの修正 [cs.RO, cs.LG, cs.CV]目的：識別器誘導強化学習（DRL）によるフローマッチングモデルの性能改善
- 画像生成モデルの品質向上は重要であり，特に主観的な好みや写実性，構造の一貫性を高めることが求められる。
- 従来のフローマッチングでは，データの品質を評価する指標と，実際に生成される画像の品質との間にずれが生じることがある。
- 本研究は，識別器の出力を用いて報酬を定義することで，このずれを解消し，より高品質な画像を生成することを目指す。
- 識別器誘導強化学習（DRL）を適用することで，SiT，JiT，REPA，RAEといった様々な条件下で，FIDやFDといった評価指標が大幅に改善された。
- DRLは，人間の好みを直接学習することなく，画像の品質を向上させることに成功し，より自然で写実的な画像を生成することが可能になった。
- DRLにより，生成された画像の忠実度と人間の好みのバランスが改善され，過飽和や過度な明るさといった低レベルなアーティファクトが低減された。
RespGeomLib：解析用ヒト気道内腔形状を生成する再現性のあるパラメトリックエンジン [cs.GR, cs.SY, eess.SY]目的：解析準備完了のヒト気道内腔形状を生成するためのパラメトリックエンジン
- 肺の形態計測や気流シミュレーションには気道モデルが不可欠であり，呼吸器疾患の理解と治療に貢献する。
- CT画像由来のモデルは解像度の制限や分岐付近の処理の煩雑さが課題であり，再現性の確保も困難である。
- スムーズな分岐構造と，シミュレーションに適した形状を再現性高く生成することを目指す。
- RespGeomLibは，従来のBoolean/stitch法よりもクリーンな分岐構造を実現した。
- 全木構造のボクセル化を回避することで，高速かつメモリ効率の良い形状生成が可能となった。
- 形態計測に基づいた気道樹の生成や，CFD（数値流体力学）シミュレーションに対応したデータ出力も可能である。
AUCが誤解を招く場合：ドメインシフト下におけるディープフェイク検出器の偏光を考慮した評価 [cs.CV, cs.LG]目的：ドメインシフト下でのディープフェイク検出器の汎化性能評価
- 拡散モデル等の進歩により，高精細なディープフェイクが生成され，金融詐欺等の被害が生じている。
- 既存のAUC評価では，現実的なデータソースの混合や多様なアーティファクトへの対応が不十分である。
- ドメインシフトに対するロバスト性を考慮した，より現実的な評価指標を提案すること。
- 提案手法であるCross-AUCは，各ドメインのAUCを偏光度合いで平均化することで，汎化性能をより正確に評価する。
- Cross-AUCは，性能低下の理由を解釈可能にする点で，既存手法よりも優れている。
- 7つのベンチマークデータセットを用いた実験により，Cross-AUCの実用性が示された。
Moebius: 0.2B軽量画像修復フレームワーク，10Bレベルの性能 [cs.RO, cs.CV]目的：高精度かつ効率的な画像修復手法の開発
- 画像修復は，画像編集や復元において重要な役割を担う技術分野である。
- 大規模モデルは高性能だが，計算コストが高く実用化が困難であるという課題がある。
- パラメータ数を大幅に削減しつつ，高性能を維持する画像修復フレームワークの構築
- Moebiusは，FLUX.1-Fill-Devと同等またはそれ以上の生成品質を，わずか2%のパラメータ数で実現した。
- Local-$\lambda$ Mix Interactionブロックと適応的なマルチ粒度蒸留戦略により，効率性と表現力の両立に成功した。
- 推論速度を15倍以上向上させ，高精度修復における新たな効率性基準を確立した。
ROSA-TFormer：陝北におけるアカマツ人工林の分類のためのレーダー・光学センサー対応時間的Transformer [cs.CV]目的：アカマツ人工林の分類モデルの構築
- 森林資源のモニタリングは，生態系の保全や持続可能な森林管理において重要である。
- アカマツ人工林の正確な識別は，植林の質と生態系の回復を評価する上で課題であった。
- 本研究は，レーダーと光学センサーの情報を統合し，時間的特徴を捉えることで，アカマツ人工林の分類精度向上を目指す。
- ROSA-TFormerは，Google Earth Engineで生成されたSentinel-1/2時系列データを用いて，高い分類性能を示した。
- HalfMonth-dataBigデータセットにおいて，全体精度99.67%，マクロF1スコア99.56%，アカマツF1スコア98.91%を達成した。
- 空間ブロック検証と破壊実験の結果からも，レーダー・光学情報の時間的融合とセンサー対応モデリングの有効性が確認された。
FineCombo-TTS：テキスト記述と参照音声を用いた協調的かつ精密な制御可能な音声合成 [cs.SD]目的：テキスト記述と参照音声に基づく柔軟かつ精密な音声属性制御
- 音声合成技術は，人間とコンピュータのコミュニケーションにおいて重要な役割を担う。
- 既存手法では，参照音声かテキスト記述のいずれかに依存し，柔軟性と精密な制御が課題であった。
- 参照音声とテキスト記述を統合し，音声属性の細かな変換を可能にすることで，制御性を高める。
- FineCombo-TTSは，参照音声とテキスト記述を統合した統一的なフレームワークを提案し，柔軟かつ精密な制御を実現した。
- 条件付きフローマッチングに基づく音声分散予測器により，テキスト記述に基づいて参照音声から目標音声への細かな変換をモデル化した。
- 属性変化を明示的に符号化した構造化ペアデータセットFineEditを構築し，相対的な属性制御を可能にした。
GUMP-Net：多クラス骨盤セグメンテーションのための解釈可能なモデル・データ駆動型インテリジェントアルゴリズム [cs.CV]目的：多クラス骨盤セグメンテーションのための解釈可能なモデル・データ駆動型アルゴリズム
- 骨盤セグメンテーションは，精密な診断，治療，手術計画，ナビゲーションにおいて不可欠である。
- 十分な学習データがない場合，既存のセグメンテーション手法の精度とロバスト性が課題となる。
- 少ない学習データでも高精度で骨盤をセグメンテーションし，解釈可能性を提供する。
- GUMP-Netは，改善された測地アクティブコンターモデルと深層ニューラルネットワークを組み合わせることで，既存手法と比較してより正確でロバストなセグメンテーション性能を示す。
- 本アルゴリズムは，骨折整復のための効率的なセグメンテーション手法を提供するだけでなく，深層学習セグメンテーションの理解を深めるための解釈可能な幾何学的視点を提供する。
- 足関節データセットへの拡張実験は，他の解剖学的構造への応用可能性を示唆している。
オクルージョン透過：ロボット遠隔操作のための決定論的アームキネマティック補正 [cs.RO, cs.CV, cs.HC, cs.SY, eess.SY]目的：ロボット遠隔操作におけるアームキネマティック補正手法
- ロボット遠隔操作は，危険な環境下での作業や精密な操作を可能にする重要な技術である。
- 自己遮蔽により，RGB-Dカメラによるモーションキャプチャの深度推定精度が低下しやすい。
- 自己遮蔽時の深度推定精度向上と，ロバストな遠隔操作の実現を目指す。
- 提案手法は，ピタゴラスの定理に基づき，腕の長さを制約条件として深度を再構成する。
- Vicon参照システムとの比較実験により，静的および動的な関節運動において高い精度が確認された。
- シミュレーションおよび実機環境におけるモーションマッピング遠隔操作の成功を示し，実用性を実証した。
Transformer Geometry Observatory TGO-I：スペクトル幾何学観測 [cs.CV, cs.LG]目的：Vision Transformerの表現幾何学とダイナミクスの調査
- ViTは画像認識で広く利用されているが，その幾何学的性質の理解は不十分である。
- ViTの表現次元と表現の幾何学的な構造が十分に解明されていない。
- ViTの表現の幾何学的特性を分析し，その理解を深めることを目指す。
- 学習が進むにつれて，表現の次元利用率が一貫して上昇することが確認された。
- 表現の異方性は低下し，スペクトルエントロピーと参加率は増加する傾向が示された。
- 固有スペクトルは徐々に平坦化し，情報は少数方向へ集中するのではなく，表現次元に再分散されることが明らかになった。
OneCanvas：パノラマ再投影による3Dシーン理解 [cs.CV, cs.AI, cs.LG, cs.RO]目的：3Dシーン理解のための表現形式
- 視覚と言語を結びつけるモデルにおいて，3Dシーンの理解は重要な課題である。
- 既存手法は複雑な幾何エンコーダや多大な学習コストを要する。
- パノラマ再投影による簡素かつ効率的な3Dシーン理解を目指す。
- OneCanvasは，複数の視点からのパッチ特徴量をパノラマキャンバス上に集約する。
- これにより，複雑なモデル構造や大規模な学習なしに3Dシーンの理解が可能となる。
- SQA3D，VSI-Bench，SPBenchにおいて最先端の性能を示し，汎化性能も高い。
CABLE：V2Xシステムのためのクラウド支援帯域幅効率型LMMベースエンコーディング [cs.CL, cs.CV, cs.RO]目的：V2Xシステムにおけるエッジ-クラウド知覚のためのクラウド支援帯域幅効率型LMMベースエンコーディングフレームワーク
- V2X通信は，車両の安全性向上や自動運転実現に不可欠であり，その効率化が重要である。
- エッジデバイスからクラウドへの全解像度フレーム伝送は，通信オーバーヘッドが大きく，遅延が発生しやすい。
- 本研究は，ROI（関心領域）に絞った画像伝送により，通信負荷を軽減し，知覚処理の高速化を目指す。
- CABLEは，以前のクラウドセグメンテーションマスクをエッジで伝播し，残差モーションキューで洗練することで帯域幅を節約する。
- 5つのデータセットにおいて，ROIピクセルカバレッジを73〜87％削減し，LMMのプリフィル速度を5〜8倍に向上させた。
- 全フレーム推論と比較して検出品質のわずかなトレードオフで，大幅な通信量の削減を達成した。
GPT-Image-2によって生成されたテキストを多く含む画像の検出のためのマルチドメインベンチマーク [cs.CV, cs.AI]目的：GPT-Image-2によって生成されたテキストを多く含む画像の検出のためのベンチマーク
- 画像生成AIの進化に伴い，デジタルコンテンツの信頼性確保が重要になっている。
- 既存のベンチマークは，テキスト情報に焦点を当てた画像の検出には不十分である。
- テキストとレイアウトを考慮した，AI生成画像検出手法の新たな方向性を示す。
- 既存のAI生成画像検出器は，ドメインによって性能が大きく異なり，JPEG圧縮に弱い。
- マルチモーダルVision-Languageモデルは有望だが，構造化されたフォーマットにおいて限界がある。
- テキストとレイアウトを意識した検出手法の必要性が示唆された。データセットはXXXで公開されている。
スコアリングバックエンドがプーリングよりも重要である：ドメインシフト下での学習不要異常音検出に関する体系的な研究 [cs.RO, cs.SY, eess.SY, cs.SD]目的：ドメインシフト下における学習不要異常音検出のロバスト性
- 異常音検出は，機械の故障予測やセキュリティなど，幅広い分野で重要性を増している。
- 学習不要異常音検出において，ドメインシフトに対するロバスト性が課題となっている。
- バックエンドの選択がドメインシフトに対するロバスト性に与える影響を明らかにすること。
- バックエンドの切り替えは，ターゲットドメインのAUCを平均13.8ポイント変動させ，プーリングの切り替えによる変動は3.2ポイントに留まった。
- バックエンドごとに最適なパターンが存在するが，そのパターンは異なるデータセットでも再現された。
- バックエンドの自己スコアでZ正規化し，最小値を採用するスコア融合法は，63.3%の平均AUCを達成し，固定バックエンドを上回った。
効率的なリモートセンシング画像質問応答のための統一的フレームワーク：デュアル，ハイブリッド，エンコーダー・デコーダーアーキテクチャの適応 [cs.CV]目的：リモートセンシング画像質問応答における効率的な適応戦略の比較分析
- 災害評価や都市モニタリング等において，画像からの情報抽出の自動化が重要視されている。
- リモートセンシング画像の高解像度や複雑なセマンティクスが，既存の質問応答モデルの性能を制限している。
- 少ない計算資源で，リモートセンシング画像に対応した質問応答モデルを構築することを目指す。
- RS AdapterによるPEFT戦略は，CLIP，BLIP，FLAVAの３つのVLMアーキテクチャ全てにおいて収束を達成した。
- ハイブリッドアーキテクチャFLAVAは，単一モダリティモデルと比較して，マルチモーダル推論と検索能力のバランスに優れていた。
- 本研究は，災害評価や都市モニタリングにおけるリソース効率的なVQAの新たな基盤を確立する。
確信度は信頼性ではない：脳腫瘍セグメンテーションにおけるMC Dropoutの再考 [cs.CV, cs.LG]目的：脳腫瘍セグメンテーションにおける不確実性の評価と臨床的安全性
- 多パラメータMRIによる膠質腫セグメンテーションは治療計画において重要であり，精度が患者の安全に直結する。
- Dice係数などの既存の評価指標では，臨床的に重要な領域におけるセグメンテーションエラーを見逃す可能性がある。
- MC Dropoutを用いて，セグメンテーションエラーの信頼できる特定と，モデルの臨床導入における安全性評価を目指す。
- MC Dropoutはセグメンテーション精度を維持しつつ，高い不確実性-エラーの整合性を示した（AUROCは約0.97）。
- 不確実性に基づく患者層別化により，セグメンテーション性能の低い高不確実性グループを特定できた。
- UNet-ResはAUROCは高いものの，臨床的に重要な領域において誤った確信度を示し，標準的な評価指標では検出できない問題点が明らかになった。
NeuMesh++：分離されたニューラルメッシュに基づく暗黙的フィールドを用いた汎用性と効率的な体積編集へ [cs.CV]目的：汎用性と効率的な体積編集のための表現と手法
- 近年のニューラル暗黙的レンダリング技術は，新規視点合成や3Dシーン再構成において目覚ましい進歩を遂げている。
- 既存の編集用ニューラルレンダリング法は，機能が限られており，剛体変換やカテゴリ固有の編集しか困難である。
- ジオメトリ，テクスチャ，セマンティクスコードを分離することで，より高度で包括的な編集機能を実現することを目指す。
- 本研究では，メッシュ頂点にニューラルラディアンスフィールドを符号化する新たなメッシュベースの表現を提案した。
- 提案手法は，メッシュ誘導のジオメトリ編集，テクスチャのスワップによる指定テクスチャ編集，塗りつぶし/描画操作，およびセマンティクス誘導編集が可能である。
- 実験により，本手法が表現品質と編集能力において優れていることが実証された。
平均報酬パリティとMDPから2人ゲームへのリフティング戦略 [cs.GT]目的：2人ゼロサム確率的ゲームにおける最適戦略の戦略複雑性
- ゲーム理論は，経済学，コンピュータ科学など幅広い分野に応用され，最適な意思決定を分析する上で重要である。
- 確率的ゲームにおける最適戦略の複雑性は，計算資源の制約から，依然として未解決の問題が多い。
- 平均報酬パリティ目標を持つ確率的ゲームの戦略複雑性を解明し，MDPからのリフティング戦略の限界を示す。
- MDPから確率的ゲームへのリフティング戦略には，一般的に指数関数的なメモリ増加が必要であることが示された。
- 平均報酬パリティ目標を持つ確率的ゲームにおいては，最適ランダム化戦略に必要なメモリは線形であることが示された。
- MDPにおけるメモリレスランダム化戦略のリフティングを，確率的ゲームに一般化することは不可能であることが示された。
参照音声に基づく，自然な環境音を含む複数話者音声シーン生成 [cs.SD, cs.AI, cs.CV]目的：複数話者音声シーンの生成
- 対話システムの発展には，より自然でリアルな音声生成が不可欠である。
- 従来のシステムは，構造化された監督信号に依存し，環境音の再現が困難であった。
- 自然な環境音と複数話者の制御を，構造化されたデータに頼らず実現する。
- 大規模な自然音響データで事前学習した基盤モデルを活用し，リアルな環境音や重なり合った会話を生成。
- 参照音声と自然言語プロンプトにより，複数話者の制御を，ターンごとの構造化なしに実現。
- 「参照ショートカット」問題に対処するため，ノイズスケジュールを調整し，テキストプロンプトへの依存性を高めた。
「見てごらん，私のように：日常生活動画からの器用な操作データ」 [cs.RO, cs.CV]目的：人間による日常生活動画からの器用な操作データ生成
- ロボット操作の学習において，データ収集は重要な課題である。特に，人手のような柔軟性を持つロボットには大量のデータが必要となる。
- 既存手法では，人間の動画から正確な手の動きや物体との相互作用を推定することが難しく，ロボットへの応用が制限されていた。
- 本研究では，人間の動画からロボットが実行可能な操作データを生成し，データ収集の効率化を目指す。
- 提案手法「DO AS I DO」は，単眼RGB動画から手の動きと物体との相互作用を高精度に再構成し，多指ロボット手への再ターゲットを可能にする。
- 既存手法と比較して，手の動き推定と操作軌跡抽出の性能が向上し，多様な人間の動画からロボット用の操作データを作成できることが示された。
- 実験を通して，効果的なデータ収集方法論を提案し，ロボット操作研究の進展に貢献する。
現在の観測を超えて：制御可能な非マルコフゲームにおけるマルチモーダル大規模言語モデルの評価 [cs.CL, cs.CV]目的：マルチモーダル大規模言語モデルの，過去の観測の再構成能力と，それに基づく複数ステップの相互作用
- 近年のマルチモーダルモデルは，様々なタスクで高い性能を示すが，長期的な記憶と推論能力が課題。
- 既存のベンチマークは状態を完全に開示したり，隠れた状態の再構成と他のスキルを混同したりする。
- マルチモーダルモデルが，視界外の情報を活用できるかを評価するベンチマークの必要性。
- RNG-Benchという新しいベンチマークスイートを開発し，モデルの過去の観測再構成能力を分離して評価。
- 特に難易度の高い設定では，128Kトークンと350枚の画像入力が必要であり，最先端のMLLMでは飽和状態に達していない。
- Qwen3.5-9Bのファインチューニングにより，RNG-Benchの性能が向上し，既存のベンチマークへの転移も可能となった。
全モーダル理解のための推論としてのネイティブな能動的知覚 [cs.RO, cs.CV, cs.CL, cs.SD]目的：長編動画理解のための能動的知覚に基づく推論手法
- 動画理解は，多様な応用分野において重要であり，その精度向上が求められている。
- 従来の動画理解モデルは計算コストが高く，特に長編動画において効率性に課題がある。
- 動画の重要な部分に焦点を当て，効率的な推論を行うことで，計算コストを削減する。
- 提案手法であるOmniAgentは，POMDPに基づく反復的な観察・思考・行動サイクルを採用することで，効率的な動画理解を実現した。
- エージェントの行動を通して，必要な音声・視覚情報を選択的に抽出することで，動画の長さと推論の複雑さを分離した。
- 実験結果から，OmniAgentは既存のオープンソースモデルと比較して最先端の性能を示し，特にLVBenchにおいて優れた結果を達成した。
任意の空間オーディオキャプチャ・再生フォーマットに対する汎用変換フレームワーク [eess.AS, cs.SD]目的：空間音響シーンのパラメータ分析と再現
- 没入型オーディオ体験の向上は，VR/AR等の分野で重要性を増している。
- 異なるキャプチャ・再生フォーマット間の互換性が課題となっていた。
- 多様なフォーマット間を高品質に変換する手法を確立すること。
- 提案手法は，音響シーンの空間メタデータを推定し，ターゲット再生フォーマットの空間共分散を構築する。
- キャプチャ・再生設定の独立した回転にも対応可能である。
- リスニングテストの結果，様々なコンテンツや受信機構成において知覚的な利点が示された。
DART：リアルタイム生細胞イメージ解析のためのデザインを考慮したマイクロ流路チップパラダイム [q-bio.QM, cs.CV]目的：リアルタイム生細胞イメージ解析のためのマイクロ流路チップ設計パラダイム
- 単一細胞レベルでのデータ取得が重要視される中，ハイスループットな生細胞イメージングのニーズが高まっている。
- 関心領域の特定と画像からの周辺構造の除去に手作業が伴い，リアルタイム解析の妨げとなっていた。
- CAD設計とチップの物理的配置を一致させることで，自動化された画像処理とリアルタイム解析を実現すること。
- DARTパラダイムは，組み込みフィデュシャルマーカーと深層学習に基づき，すべての関心領域を高速に特定する。
- チップの構造に関わらず，マイクロ流路構造の除去を40ミリ秒，細胞セグメンテーションを含む画像解析を1.1秒未満で実行可能。
- DARTは，リアルタイム解析を可能にするハードウェア・ソフトウェア統合パラダイムとして，次世代のスマート顕微鏡技術を推進する。
二側面の離散凹面市場における安定で公正なランダム配分 [econ.TH, cs.GT]目的：二側面の離散凹面市場における安定かつ公正なランダム配分の存在
- 資源配分は経済学の根幹であり，効率性と公平性の両立が重要である。
- 既存のランダム配分手続きは，必ずしも安定性や公平性を保証しない場合がある。
- 凹面評価を持つ市場において，安定かつ公正なランダム配分が存在することを示す。
- 凹面評価を持つ二側面の市場において，事前期待値で安定かつ公正な配分が存在することが示された。
- この結果は，Alkan-Galeの安定モデルと密接に関連しており，凹面閉包と対称的な厳密凸なタイブレーキング規則によって特徴付けられる。
- 事前期待値で安定な分数の配分は，安定な決定論的配分の抽選に分解可能であることが，Birkhoff-von Neumannの定理の一般化によって示された。
EDoF-NeRF：符号化アパーチャカメラを用いた拡張被写界深度ニューラルラディアンスフィールド [physics.optics, cs.CV, eess.IV]目的：拡張被写界深度ニューラルラディアンスフィールドの構築
- フォトリアリスティックな新規視点生成技術NeRFの重要性が高まっている。
- 従来のカメラやNeRFでは，被写界深度と光量のトレードオフが存在する。
- 符号化アパーチャにより，被写界深度と空間周波数成分の維持を目指す。
- 符号化アパーチャをNeRFに組み込んだカメラモデルを開発した。
- シミュレーションと実験により，本手法（EDoF-NeRF）の優位性を検証した。
- 符号化画像を入力することで，拡張された被写界深度を持つ新規視点を生成できる。
音声に基づく認知症評価における採点誤差の軽減と非言語性検査の補完 [eess.AS, cs.CL, cs.SD]目的：認知症スクリーニングテストの音声に基づく評価における採点誤差の軽減と，非言語性検査の欠測に対する補完
- 認知機能低下の早期発見は重要であり，主観性を排除した多角的評価が求められる。
- 音声評価は有用だが，書き起こし誤差や非言語性検査の欠測が評価精度を低下させる。
- 本研究は，音声由来の特徴量を活用し，非言語性検査の欠測下でも専門家による評価を近似する。
- 書き起こしスコアとWhisper embeddingsを統合したモデルは，専門家による評価と強い相関を示した。
- 非言語性検査を省略しても，モデルは認知状態グループを効率的かつ正確に識別できた。
- 音声由来の特徴量は，認知状態に関する追加情報を提供し，診断支援に貢献する可能性を示した。
不完全情報下におけるテクスチャ画像の再構成と分類のためのニューラルネットワーク手法の調査 [cs.CV, cs.LG, eess.IV]目的：不完全な情報下におけるテクスチャ画像の再構成と分類
- 地質材料などの異質自然テクスチャ解析は，損傷やデータ損失により困難を伴うため，コンピュータビジョンの重要な課題である。
- 深層学習は制御された環境下では成功しているが，不完全情報下における複雑な地質材料への応用は未だ十分ではない。
- 本研究は，コアサンプル画像の再構成と分類のための統合的フレームワークを提示し，分類精度の向上を目指す。
- GANsを用いた画像補完により，高解像度コアサンプル画像の欠損部分の再構成を試みた。
- 再構成品質は高い構造的忠実度を示すものの，分類精度は53%で頭打ちとなった。
- 少数クラス検出を改善するため，信頼度に基づくハイブリッドアンサンブルを提案し，MCAを48%から58%に向上させた。
単純なドメイン汎化手法は，オープンドメイン汎化のための強力なベースラインとなる [cs.CV, cs.AI, cs.LG]目的：オープンドメイン汎化における既存のドメイン汎化手法の評価
- 現実世界の機械学習応用において，未知のクラスへの対応が求められる場面が増加している。
- ドメインシフトと未知クラスの存在に対応するオープンドメイン汎化は，複雑な学習プロセスを伴う。
- 既存の単純なドメイン汎化手法でも，オープンドメイン汎化において有効な性能を発揮できるか検証する。
- 既存のCORALとMMDといった単純なドメイン汎化手法が，場合によってはDAMLと同等の性能を示すことが明らかになった。
- DAMLで用いられるアンサンブル学習やDirichlet mixupといった手法をCORALとMMDに導入することで，性能が向上した。
- 拡張されたCORALとMMDは，DAMLと比較して計算コストが低く，同等の性能を発揮することが示唆された。
ゲームにおける再帰的共同シミュレーション [cs.AI, cs.GT]目的：AIエージェント間における戦略的状況下での協調的成果の達成
- AIエージェントのゲーム理論的ダイナミクスは，人間同士の対話と異なる点が多々存在する。
- AIエージェントはシミュレーションが可能であるため，自己の存在が現実かシミュレーションか判断できない。
- この不確実性を活用し，戦略的状況下での協調性を高める方法を模索する。
- 提案手法は，元のゲームの無限反復ゲームと戦略的に同等であることが示された。
- この同等性は，いくつかの仮定を緩和した場合でも，また，ゲーム内部から見た場合でも成立する。
- 既存の結果（folk theoremsなど）を直接適用できる可能性を示唆している。
物理現象を考慮した時系列モデルのベンチマーク：実運用的なグローバル観測所天気予報への応用 [cs.LG, cs.CV, physics.ao-ph, stat.ML]目的：グローバル観測所天気予報における時系列予測モデルの性能評価
- 地球規模での気象予測は，防災や経済活動に不可欠であり，その精度向上は重要な課題である。
- 既存の天気予報データセットは規模が小さく，時間的・空間的に偏りがあり，高精度なモデル開発のボトルネックとなっている。
- 現実世界の気象状況をより良く反映した大規模データセットと，物理法則を組み込んだモデルにより，予測精度向上を目指す。
- 大規模観測データセットWEATHER-5Kを構築し，現実的な条件下でのモデル学習と評価を可能にした。
- 物理法則制約を取り入れたPhysicsFormerモデルを提案し，複雑な気象変動や極端現象の予測能力を向上させた。
- PhysicsFormerと既存モデルの性能を比較し，学術的な時系列モデルと実運用システムとのギャップを定量的に示した。
バイオイメージングにおける大規模疎な多グラフマッチングの最適化 [cs.CV]目的：バイオイメージングにおける大規模疎な多グラフマッチング手法
- バイオイメージングは生命科学研究において重要な役割を担うが，画像間の対応付けは課題である。
- 既存手法は完全または密なデータセットを前提としており，大規模疎なデータへの適用が困難である。
- バイオイメージングに適応可能な，大規模疎な多グラフマッチング手法を開発すること。
- 新たな大規模データセットを構築し，バイオイメージング問題に対応した評価環境を整備した。
- 多グラフマッチングの直接法と置換同期法の二つの主要なパラダイムを包括的に分析し，疎性と不完全性への対応の重要性を示した。
- 疎置換同期パラダイムと，それに基づく汎用的な手法GREEDAを提案し，既存手法と比較して，精度と速度の両面で優れていることを示した。
VGGHeads：大規模合成データセットによる3Dマルチヘッドアライメント [eess.SY, cs.SY, cs.CV, cs.LG]目的：人間の頭部検出，キーポイント推定，3D頭部モデル適合
- 頭部検出技術は，顔認識や監視システム等，幅広い応用分野で重要である。
- 実世界のデータセットは，偏り，プライバシー問題，倫理的な懸念を抱える場合が多い。
- 実環境での汎化性能を向上させるための，大規模かつ高品質な学習データセットの構築。
- 拡散モデルを用いて生成された大規模合成データセットが，頭部検出と3Dメッシュ推定に有効であることが示された。
- 本データセットで学習したモデルは，実画像においても高い性能を発揮することが実験的に確認された。
- 本データセットは，多様なタスクへの適用が可能であり，人間の頭部の包括的な表現を提供する。
複数ユニットのフロアプランの認識と再構成 [cs.CV]目的：都市管理における緊急時対応の効率化
- 都市管理において，避難経路設計や迅速な救助活動を支援するデジタルツインの重要性が高まっている。
- 既存の建物に対する3次元表現が限られており，デジタルツインの作成が手作業に頼る部分が多い。
- 一般的な2次元の建築図面から3次元情報を合成することで，この課題を解決することを目指す。
- 提案手法は，既存の最先端技術と比較して，CubiCasaベンチマークデータセットでより高いF1スコア（平均0.86）を達成した。
- MDA-UnetおよびMACU-Netアーキテクチャに基づいた，新しいピクセル単位のセグメンテーション手法を提案した。
- セグメント化されたフロアプランをベクトル化し，3次元モデルを生成するパイプライン全体を構築した。
集中流動性マーケットメーカーにおけるゲーム理論的流動性提供 [eess.SY, cs.SY, cs.CG, cs.DM, math.CO, cs.GT, cs.CR, cs.DC]目的：集中流動性マーケットメーカーにおける流動性提供者のインセンティブ
- 分散型取引所（DEX）の普及に伴い，自動マーケットメーカー（AMM）の流動性提供戦略が重要視されている。
- 集中流動性マーケットメーカー（CLMM）では，価格範囲の選択が複雑になり，最適な流動性提供戦略が不明確である。
- ゲーム理論モデルを用いて，CLMMにおける流動性提供者のインセンティブを分析し，最適な戦略を導き出す。
- 提案モデルは複数の方策均衡を持つ複雑なゲームを，単一の均衡を持つ線形的なゲームに簡約できることを示した。
- 均衡戦略はウォーターフィリング戦略に従い，資金の少ないLPは予算を使い切り，資金の多いLPは使い切らない傾向がある。
- 現実の流動性プールでは，LPは均衡戦略から逸脱する傾向があるが，均衡戦略に近づけることで，ROIの増加が期待できる。
VidCRAFT3：画像から動画生成のためのカメラ，物体，照明制御 [cs.HC, cs.RO, cs.HC, cs.CL, q-bio.NC, cs.DM, cs.CV, cs.AI, cs.LG, cs.MM]目的：画像から動画生成におけるカメラ，物体，照明の制御
- 動画生成技術は，映像制作やコンテンツ作成において重要性が増している分野である。
- 既存手法では，カメラ，物体，照明を独立して扱うため，視点，形状，光の相互作用が考慮されない。
- 本研究は，これらの要素間の相互作用を明示的にモデル化することで，一貫性のある動画生成を目指す。
- VidCRAFT3は，カメラ，物体，照明の独立および同時制御を可能にする，統一された柔軟なフレームワークである。
- Image2Cloudによる3D形状の事前知識と，ObjMotionNetによる物体軌跡のエンコードにより，正確な制御を実現している。
- 新たに構築したVLDデータセットと段階的訓練戦略により，高品質な動画生成が可能となった。
一般化されたカルバック・ライブラー発散損失 [cs.CL, cs.LG, cs.AI, cs.CV]目的：カルバック・ライブラー発散損失の数学的等価性とその改良
- 機械学習モデルの性能向上は，損失関数の設計が鍵となる。
- 従来のKL発散損失には，知識蒸留における非対称な最適化や，サンプルごとの偏りが問題となる。
- KL発散損失の構造を解釈し，改良することで，最適化の安定性と汎化性能の向上を目指す。
- KL発散損失とDecoupled KL発散損失が数学的に等価であることを証明した。
- 非対称な最適化特性の緩和とクラスごとのグローバル情報を導入したGKL発散損失を提案した。
- CIFAR-10/100，ImageNet，vision-languageデータセットで，敵対的学習や知識蒸留において最先端の性能を達成した。
SuperCarver：高精細な表面ディテール生成のためのテクスチャ一貫性のある3Dジオメトリ超解像 [cs.RO, cs.CV]目的：3Dジオメトリの超解像による，テクスチャ一貫性のある表面ディテールの補完
- 3Dコンテンツ制作において，高品質なメッシュアセットの需要が高まっており，効率的な制作手法が求められている。
- 既存の3Dメッシュのジオメトリ精度向上は未解決問題であり，手作業によるモデリングに多大な労力がかかる。
- 本研究は，低品質な3Dメッシュにテクスチャに忠実な表面ディテールを付与し，制作ワークフローを改善することを目指す。
- SuperCarverは，既存の粗いメッシュに対して，現実的で表現力豊かな表面ディテールを生成することが示された。
- 本手法は，低品質な3Dアセットの品質向上や，高ポリゴンメッシュのモデリング作業負荷軽減に貢献する可能性が示唆された。
- 正常マップのレンダリングに基づいたノイズ耐性のある逆レンダリングスキームが，メッシュ表面の更新に有効であることが確認された。
データ拡張における最近傍補間を超えて [eess.SY, cs.SY, eess.SY, cs.SY, cs.CV, eess.IV]目的：データ拡張における補間手法の改善
- 医療画像解析等の分野において，データ拡張はモデルの汎化性能向上に不可欠である。
- 最近傍補間は，定義されないカテゴリラベルのリスクや，高周波構造の詳細の劣化を引き起こす可能性がある。
- 補間手法の改善とクラスフィルタリングにより，データ拡張によるリスクを軽減し，モデル性能を向上させる。
- 提案手法では，最近傍補間を用いず，幾何学的変換関数を修正し，平均に基づいたクラスフィルタリングを導入した。
- オフラインでのデータ拡張パイプラインを構築し，補間固有のローパスフィルタリング効果を定量的に評価した。
- 医療画像セグメンテーションデータセットおよびXBAT+データセットにおいて，複数の定量評価指標で性能向上を確認した。
学習されていないモデルにおける残存知識の評価：RUB [cs.LG, cs.CV]目的：機械的アンラーニングアルゴリズムの頑健性の評価
- プライバシー保護とコンテンツ規制において，機械的アンラーニングは重要なメカニズムである。
- 既存技術では，機密情報の完全な削除が保証されない場合が多い。
- アンラーニング後のモデルの頑健性を評価するベンチマークの提供。
- 提案されたRUBベンチマークにより，様々なタスクにおけるアンラーニングアルゴリズムの脆弱性が明らかになった。
- 既存のアンラーニング手法は，標準的な検証指標をクリアしても，残存情報を検出される脆弱性が残る。
- 頑健性を中心的な基準とし，敵対的評価のためのベンチマークを提供することで，より信頼性の高いアンラーニングの実践を促進する。
オートエンコーダの脆弱性を勾配信号の回復を通して明らかに [cs.LG, cs.AI, cs.CV]目的：オートエンコーダの潜在表現における脆弱性の解明
- 深層学習モデルの安全性確保は重要であり，特に圧縮された潜在表現を持つオートエンコーダの堅牢性評価が不可欠である。
- 既存の攻撃手法は最適化に失敗しやすく，オートエンコーダの堅牢性を過大評価する可能性がある。
- 不安定な層における勾配消失問題を解決し，より信頼性の高い脆弱性評価を実現する。
- 提案手法GRILLは，不安定な層における勾配の低下を抑制し，攻撃の有効性を向上させる。
- GRILLを用いることで，既存の攻撃手法では見過ごされていた脆弱性を明らかにできる。
- 多種多様なオートエンコーダアーキテクチャや攻撃設定において，その効果が実験的に確認された。
アクティブスピーカー検出の再検討：汎化性能とロバスト性のための実環境ベンチマーク [cs.DC, cs.CL, cs.SI, physics.soc-ph, cs.CV, cs.AI]目的：アクティブスピーカー検出における汎化性能とロバスト性の評価基準
- 音声処理技術は，様々なアプリケーションで重要であり，特にリアルタイムでの音響イベント認識に不可欠である。
- 既存のベンチマークは古い映画に偏っており，現実世界の多様な環境を反映していないという課題がある。
- 現実世界の複雑な状況下におけるアクティブスピーカー検出の性能向上を目指す。
- 新しいデータセットUniTalkは，多様なビデオタイプと現実世界のノイズを含む環境を網羅している。
- UniTalk上で高い性能を示すモデルは，他の実環境データセットにおいても優れた汎化性能を発揮する。
- UniTalkは，アクティブスピーカー検出モデルの汎用性と堅牢性を評価するための新たなベンチマークとなる。
ヘブライ語テキスト読み上げにおける音韻的曖昧性の克服：Phonikud [cs.CL, cs.SD, eess.AS]目的：ヘブライ語テキスト読み上げの音韻的精度向上
- ヘブライ語は表記が複雑であり，高品質なテキスト読み上げ技術が求められている。
- 既存のシステムは，ストレスなどの音韻的特徴の曖昧さを無視しており，精度が十分ではない。
- より正確な音韻情報を付与することで，ヘブライ語テキスト読み上げの品質向上を目指す。
- Phonikudは，既存手法よりも正確にヘブライ語の音素を予測できることが示された。
- Phonikudからの音韻入力を利用した小規模なTTSモデルが，大規模な商用システムに匹敵する性能を示すことが確認された。
- ヘブライ語の音声-IPA変換モデルを構築し，これまで測定されていなかったヘブライ語G2P変換のベンチマークを確立した。
刺激運動知覚の研究は，ヒトの視覚安定化における特定の神経計算を示唆する [cs.CV, q-bio.NC]目的：視覚安定化の心理物理学的特性
- 視覚は，外界の情報を認識するための基本的な機能であり，その仕組みの解明は重要である。
- 眼球運動に伴う網膜像の変動を補正する視覚安定化のメカニズムは複雑で不明な点が多い。
- 実験から得られた心理物理学的特性に基づき，視覚安定化の神経基盤を特定することを試みる。
- 実験により，視覚安定化のメカニズムは，カメラの安定化や進化論的な単純解釈よりも複雑であることが明らかになった。
- 網膜信号に対する特定の操作が，観察された安定化行動をもたらしている可能性が示唆された。
- 機能的なメカニズムの説明に加え，その機能を実装しうる神経回路の構成要素について提案を行った。
線形分離可能性の限界を超えて：VLMにおける表現の整合 [cs.CV]目的：視覚言語モデルにおける表現の整合性向上
- 画像とテキストを理解するVLMは，AI研究において重要な役割を担う。
- VLMは抽象的な推論課題において性能が限界に達しており，その原因が不明である。
- VLMの表現空間の整合性を高めることで，抽象推論性能の向上を目指す。
- VLMの視覚埋め込み表現の線形分離可能性に「整合ギャップ」が存在することが判明した。
- 一部のVLMは，視覚表現を線形分離しやすい形式に洗練したり，非線形な決定論理を実行することで，この限界を超越している。
- 提案手法により，視覚多様体をより線形的な形状に再構成し，VLMの抽象的な構成推論能力を大幅に向上させた。
一般化量子応答均衡の効率的な分散学習 [cs.GT, math.OC]目的：一般化量子応答均衡の分散学習アルゴリズム
- ゲーム理論は経済学，政治学，生物学など広範な分野に応用され，合理的行動のモデル化に不可欠である。
- 従来のゲーム理論は完全合理性を仮定するが，現実の意思決定は必ずしもそうではないため，より現実的なモデルが求められている。
- 有界合理性を考慮した均衡概念を用いて，分散環境における効率的な学習アルゴリズムを開発し，複雑なゲームへの適用を目指す。
- 一般化量子応答均衡（GQRE）の存在条件を確立し，分散学習アルゴリズムの効率性を示した。
- スムージングされたFrank-Wolfeアルゴリズムを用いることで，バンディットフィードバックからのノイズを含む勾配推定に基づいたアルゴリズムが実現可能となった。
- 高ランク2人者ゲームや大規模な行動を持つ2人者ゲーム，複雑な多人数ゲームにおける有効性が実証された。
車にはステレオタイプがある：テキストから画像モデルにおけるオブジェクトの人口統計学的バイアス監査 [cs.CV, cs.AI]目的：テキストから画像モデルによって生成されるオブジェクトにおける人口統計学的バイアスの測定
- 画像生成AIの発展は，社会に大きな影響を与える。その公平性と倫理的配慮が重要視されている。
- 既存研究は主に人間の描写に焦点を当て，オブジェクト生成におけるバイアスは十分に調査されていない。
- モデルのデフォルト設定に内在するバイアスを可視化し，より公平なAI開発を促進すること。
- 中立的なプロンプトは，中間層で白人の属性を持つ画像に最も類似しており，これらのグループがモデルのデフォルトとして過剰に表現されていることが示唆された。
- 人口統計学的要素を含むプロンプトは，ステレオタイプ化された出力をもたらす傾向があり，特定の組み合わせでは20枚の画像すべてが同じ属性値を示した。
- プロンプトレベルでのバイアス軽減は，グループ間の不均衡を減らす一方で，グループ内の多様性を低下させ，別のステレオタイプに置き換えるという結果になった。
ダイナミックなターンレベルでのテキスト・音声挿入による，意味のある双方向音声対話の強化 [cs.CL, cs.CL, cs.SD, eess.AS]目的：双方向音声言語モデルにおける，自然でリアルタイムな音声対話の実現
- 自然な対話システムの構築は，人間と機械のよりスムーズなコミュニケーションを可能にする上で重要である。
- 既存の双方向音声言語モデルは，テキストのみの対話モデルと比較して，会話能力が低下することが課題である。
- ターンレベルでのテキストと音声の動的な挿入によって，この会話能力の低下を改善することを試みる。
- TurnGuideは，アシスタントの発話をターンごとに分割し，ターンレベルでテキストと音声を生成することで，自然な音響の流れを維持しながら，LLMのセマンティックな知見を統合する。
- 実験結果から，TurnGuideは，双方向音声言語モデルの会話の整合性と意味を大幅に向上させることが示された。
- また，様々なターン交代イベントにおいて，最先端の性能を達成した。
順位集計における比例代表制 [cs.GT, econ.TH]目的：複数の重み付き順位付けリストを統合し，単一の出力順位付けリストを得ること
- 多様な意見を反映させることは，社会的意思決定において重要である。
- 既存の順位集計手法は多数決原理に基づき，少数意見が反映されにくい。
- 入力順位付けリストの重みに応じた比例的な代表性を保証する手法を開発すること。
- 提案手法である比例逐次ボードール法は，入力順位付けリストの比例代表性を保証する。
- より高度なフロー調整ボードール法は，任意の順位付けリスト群に対してもより強い公平性を満たす。
- 本研究は，承認ベースの委員会投票や参加型予算配分における比例代表制の概念に着想を得ている。