顕著物体検出2026/8/26arXiv:2608.25808

TDFNet：パノラマ顕著物体検出のための三投影変形融合ネットワーク

TDFNet: Tri-projection Deformable Fusion Network for Panoramic Salient Object Detection

パノラマ画像の顕著物体検出において、等距離円筒投影や立方体マップ投影の幾何学的歪みを軽減するため、3つの投影表現を変形可能な注意機構と緯度ガイド融合で組み合わせたTDFNetを提案した。

詳しい要約

1. どんなもの？

TDFNetは、パノラマ顕著物体検出（Panoramic Salient Object Detection）のための最初のTri-projection Deformable Fusion Networkである。Equirectangular Projection (ERP)、Cube Map Projection (CMP)、Tangent Projectionの3つの投影表現を組み合わせ、各投影の幾何学的歪みを補完し合うことで、検出性能を向上させる。具体的には、cross-projection deformable attention (CDA)モジュールとlatitude-guided fusion (LGF)モジュールを導入し、異なる投影間の対応関係と緯度事前知識を活用して特徴を融合する。

2. 先行研究と比べてどこがすごい？

従来の投影ベース手法は、単一の投影（主にERP）に依存しており、ERPの極域の引き伸ばし歪みやCMPの面境界の不連続性に悩まされていた。TDFNetは、3つの投影を同時に利用し、それらの長所を組み合わせることで、これらの歪みを軽減し、特徴の識別性と幾何学的整合性を向上させる。また、変形可能な注意機構をクロスプロジェクションに拡張し、緯度情報を融合に活用する点が新しい。

3. 技術・手法の肝は？

手法の核心は、3分岐エンコーディングアーキテクチャと2つのモジュールにある。CDAモジュールは、異なる投影間の空間対応を利用して幾何学的に意識したサンプリング位置を構築し、変形可能注意をガイドしてクロスプロジェクションの文脈集約を行う。LGFモジュールは、球面緯度事前分布を用いて幾何学的信頼重みを構築し、ERPとCMPの特徴を適応的にバランスさせる。さらに、Tangent Projectionからの歪み低減されたセマンティック参照を統合し、クロスプロジェクションの特徴洗練と空間整列を実現する。

4. どうやって有効だと検証した？

要旨からは、具体的な検証方法（データセット、比較手法、評価指標など）は不明である。ただし、提案手法がパノラマ顕著物体検出の性能を向上させることを実験的に検証したと述べられている。

5. 議論はある？

要旨からは、議論や限界についての具体的な記述は不明である。ただし、3つの投影を同時に使用することで計算コストが増加する可能性や、投影間の対応関係の正確性が性能に影響する可能性などが考えられるが、要旨には明記されていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究は明示されていないが、パノラマ顕著物体検出の分野では、従来のERPベースの手法や、CMP、Tangent Projectionを用いた手法、また変形可能注意機構を用いた一般的な物体検出手法が関連する。具体的には、"Panoramic Salient Object Detection"の既存研究や、"Deformable Attention"の元となったDETRやDeformable DETRなどが挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Qiangqiang Zhou, Jiacong Yu, Jiawei Xu, Yong Chen, Xin Huang, Ping Li

分類: cs.CV

原文アブストラクト

Recent years have witnessed the growing potential of panoramic salient object detection in robotic vision, virtual reality, and related applications. However, projecting spherical scenes onto 2D planes inevitably introduces geometric distortions, which fundamentally limit the effectiveness of existing projection-based methods. Specifically, Equirectangular Projection (ERP) suffers from severe polar stretching distortions, while cube map projection introduces discontinuities across cube-face boundaries, resulting in degraded feature discriminability and compromised geometric consistency. To address these limitations, we propose TDFNet, the first Tri-projection Deformable Fusion Network for panoramic salient object detection, exploiting complementary projection representations to alleviate geometric distortions and improve detection performance.Specifically, we design a cross-projection deformable attention (CDA) module that leverages spatial correspondences between different projections to construct geometry-aware sampling locations, guiding deformable attention for cross-projection contextual aggregation and enhancing robustness against projection-induced deformations. Furthermore, we introduce a latitude-guided fusion module, which utilizes spherical latitude priors to construct geometric confidence weights for adaptively balancing ERP and CMP features. Meanwhile, LGF incorporates distortion-reduced semantic references from Tangent Projection to achieve cross-projection feature refinement and spatial alignment.By constructing a three-branch encoding architecture based on ERP, CMP, and Tangent Projection, TDFNet simultaneously preserves global spatial continuity, local geometric details, and fine-grained boundary information.

arXivで原文を読む →arXiv概要ページ

← 論文一覧