論文の概要: RoadFusion: Latent Diffusion Model for Pavement Defect Detection

• arxiv url: http://arxiv.org/abs/2507.15346v1
• Date: Mon, 21 Jul 2025 08:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.308551
• Title: RoadFusion: Latent Diffusion Model for Pavement Defect Detection
• Title（参考訳）: RoadFusion:舗装欠陥検出のための潜時拡散モデル
• Authors: Muhammad Aqeel, Kidus Dagnaw Bellete, Francesco Setti,
• Abstract要約: 舗装欠陥検出は、限られたアノテートデータ、トレーニングとデプロイメント環境間のドメインシフト、さまざまな道路状況における欠陥の出現のばらつきなど、重要な課題に直面している。 両経路特徴適応を用いた合成異常生成により,これらの制約に対処するフレームワークであるRoadFusionを提案する。
• 参考スコア（独自算出の注目度）: 2.7215409221888476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pavement defect detection faces critical challenges including limited annotated data, domain shift between training and deployment environments, and high variability in defect appearances across different road conditions. We propose RoadFusion, a framework that addresses these limitations through synthetic anomaly generation with dual-path feature adaptation. A latent diffusion model synthesizes diverse, realistic defects using text prompts and spatial masks, enabling effective training under data scarcity. Two separate feature adaptors specialize representations for normal and anomalous inputs, improving robustness to domain shift and defect variability. A lightweight discriminator learns to distinguish fine-grained defect patterns at the patch level. Evaluated on six benchmark datasets, RoadFusion achieves consistently strong performance across both classification and localization tasks, setting new state-of-the-art in multiple metrics relevant to real-world road inspection.
• Abstract（参考訳）: 舗装欠陥検出は、限られたアノテートデータ、トレーニングとデプロイメント環境間のドメインシフト、さまざまな道路状況における欠陥の出現のばらつきなど、重要な課題に直面している。 両経路特徴適応を用いた合成異常生成により,これらの制約に対処するフレームワークであるRoadFusionを提案する。 潜在拡散モデルはテキストプロンプトと空間マスクを用いて多様な現実的な欠陥を合成し、データ不足下で効果的なトレーニングを可能にする。 正常な入力と異常な入力の表現を専門とする2つの特徴適応器は、ドメインシフトに対する堅牢性と欠陥のばらつきを改善している。 軽量判別器は、パッチレベルできめ細かい欠陥パターンを識別することを学ぶ。 RoadFusionは6つのベンチマークデータセットに基づいて評価され、分類タスクとローカライゼーションタスクの両方で一貫して強力なパフォーマンスを実現し、現実の道路検査に関連する複数のメトリクスに新しい最先端技術を設定する。

関連論文リスト

• ExDD: Explicit Dual Distribution Learning for Surface Defect Detection via Diffusion Synthesis [2.7215409221888476]
  産業欠陥検出システムは、一級異常検出パラダイムに制限された場合、限界に直面する。 両機能分布を明示的にモデル化することで,これらの制約を超越する新しいフレームワークであるExDDを提案する。
  論文  参考訳（メタデータ） (2025-07-21T07:49:00Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Differentiable NMS via Sinkhorn Matching for End-to-End Fabric Defect Detection [2.2901095820275317]
  ファブリック欠陥検出のためのNMSフレームワークは、エンドツーエンドの最適化により、より優れたローカライズ精度を実現する。 Sinkhorn-Knoppアルゴリズムを用いてNMSを微分可能な二部マッチング問題として再構成する。 Tianchiファブリック欠陥データセットの実験では、既存のメソッドよりも大幅にパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2025-05-11T16:22:58Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
  逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。 Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。 nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-28T14:23:58Z)
• DRIVE: Dual-Robustness via Information Variability and Entropic Consistency in Source-Free Unsupervised Domain Adaptation [10.127634263641877]
  ラベル付きデータなしで機械学習モデルを新しいドメインに適応させることは、医療画像、自律運転、リモートセンシングといったアプリケーションにおいて重要な課題である。 Source-Free Unsupervised Domain Adaptation (SFUDA)と呼ばれるこのタスクでは、未ラベルのターゲットデータのみを使用して、トレーニング済みのモデルをターゲットドメインに適応させる。 既存のSFUDAメソッドは、しばしば単一モデルアーキテクチャに依存し、ターゲットドメインにおける不確実性と可変性に悩まされる。 本稿では、2重モデルアーキテクチャを利用した新しいSFUDAフレームワークDRIVEを提案する。
  論文  参考訳（メタデータ） (2024-11-24T20:35:04Z)
• Change-Aware Siamese Network for Surface Defects Segmentation under Complex Background [0.6407952035735353]
  変更検出フレームワークにおける欠陥セグメント化を解消する変更対応のSiameseネットワークを提案する。 トランスフォーマーベースのエンコーダを導くために,新しいマルチクラスのコントラスト損失を導入した。 距離マップで示される差分は、変更対応デコーダにスキップ接続され、クラス間およびクラス外の両方の欠陥の位置をアシストする。
  論文  参考訳（メタデータ） (2024-09-01T02:48:11Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Smart filter aided domain adversarial neural network for fault diagnosis in noisy industrial scenarios [11.094903196524404]
  本稿では,スマートフィルタ支援ドメイン適応ニューラルネットワーク (SFDANN) と呼ばれる非教師付きドメイン適応 (UDA) 手法を提案する。 提案手法は、2つのステップから構成される。第1ステップでは、時間周波数領域におけるソースとターゲットドメインデータの類似性を動的に適用するスマートフィルタを開発する。 2番目のステップでは、スマートフィルタによって再構成されたデータをドメイン逆ニューラルネットワーク(DANN)に入力する。
  論文  参考訳（メタデータ） (2023-07-04T01:47:00Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。