論文の概要: IELDG: Suppressing Domain-Specific Noise with Inverse Evolution Layers for Domain Generalized Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2508.19604v1
• Date: Wed, 27 Aug 2025 06:37:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.519882
• Title: IELDG: Suppressing Domain-Specific Noise with Inverse Evolution Layers for Domain Generalized Semantic Segmentation
• Title（参考訳）: IELDG:ドメイン一般化セマンティックセマンティックセグメンテーションのための逆進化層によるドメイン特化ノイズの抑制
• Authors: Qizhe Fan, Chaoyu Liu, Zhonghua Qiao, Xiaoqin Shen,
• Abstract要約: ドメイン一般化セマンティック(DGSS)は、ソースドメインからラベル付きデータを使用してモデルをトレーニングすることに焦点を当てる。 このような欠陥のあるデータによるセグメンテーションモデルのトレーニングは、パフォーマンスの低下とエラーの蓄積につながる可能性がある。 我々は、逆進化層(IEL)を生成過程に統合することを提案する。
• 参考スコア（独自算出の注目度）: 1.5749416770494706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain Generalized Semantic Segmentation (DGSS) focuses on training a model using labeled data from a source domain, with the goal of achieving robust generalization to unseen target domains during inference. A common approach to improve generalization is to augment the source domain with synthetic data generated by diffusion models (DMs). However, the generated images often contain structural or semantic defects due to training imperfections. Training segmentation models with such flawed data can lead to performance degradation and error accumulation. To address this issue, we propose to integrate inverse evolution layers (IELs) into the generative process. IELs are designed to highlight spatial discontinuities and semantic inconsistencies using Laplacian-based priors, enabling more effective filtering of undesirable generative patterns. Based on this mechanism, we introduce IELDM, an enhanced diffusion-based data augmentation framework that can produce higher-quality images. Furthermore, we observe that the defect-suppression capability of IELs can also benefit the segmentation network by suppressing artifact propagation. Based on this insight, we embed IELs into the decoder of the DGSS model and propose IELFormer to strengthen generalization capability in cross-domain scenarios. To further strengthen the model's semantic consistency across scales, IELFormer incorporates a multi-scale frequency fusion (MFF) module, which performs frequency-domain analysis to achieve structured integration of multi-resolution features, thereby improving cross-scale coherence. Extensive experiments on benchmark datasets demonstrate that our approach achieves superior generalization performance compared to existing methods.
• Abstract（参考訳）: ドメイン一般化セマンティックセマンティックセグメンテーション(DGSS)は、ソースドメインからラベル付きデータを使用してモデルをトレーニングすることに焦点を当て、推論中に未確認のターゲットドメインに対して堅牢な一般化を達成することを目的としている。 一般化を改善するための一般的なアプローチは、拡散モデル(DM)によって生成された合成データでソース領域を拡張することである。 しかし、生成された画像は、しばしばトレーニングの不完全性による構造的または意味的な欠陥を含む。 このような欠陥のあるデータによるセグメンテーションモデルのトレーニングは、パフォーマンスの低下とエラーの蓄積につながる可能性がある。 この問題に対処するために、逆進化層(IEL)を生成過程に統合することを提案する。 IELはラプラシア語に基づく先行詞を用いて空間的不連続性と意味的不整合を強調し、望ましくない生成パターンのより効率的なフィルタリングを可能にするように設計されている。 このメカニズムに基づいて,高画質の画像を生成するための拡張拡散ベースデータ拡張フレームワークであるIELDMを紹介する。 さらに, IELの欠陥抑制能力は, アーティファクトの伝搬を抑制することにより, セグメンテーションネットワークにも有効であることを示す。 この知見に基づき、DGSSモデルのデコーダにIELを埋め込み、ドメイン横断シナリオにおける一般化機能を強化するためにIELFormerを提案する。 IELFormerは、スケール全体にわたるモデルのセマンティック一貫性をさらに強化するため、マルチスケール周波数融合(MFF)モジュールを導入し、周波数領域分析を行い、マルチ解像度機能の構造化統合を実現し、クロススケールコヒーレンスを改善する。 ベンチマークデータセットの大規模な実験により,本手法は既存手法よりも優れた一般化性能が得られることが示された。

関連論文リスト

• HFedATM: Hierarchical Federated Domain Generalization via Optimal Transport and Regularized Mean Aggregation [12.655334562608314]
  Federated Learning(FL)は、複数のクライアントが生データを共有せずに、共同で共有グローバルモデルをトレーニングする分散アプローチである。 本稿では階層型フェデレーションドメイン一般化(HFedDG)を紹介する。
  論文  参考訳（メタデータ） (2025-08-07T08:14:52Z)
• Boosting Domain Generalized and Adaptive Detection with Diffusion Models: Fitness, Generalization, and Transferability [0.0]
  ディテクタは、トレーニングとテストデータのドメインギャップによって、しばしばパフォーマンス低下に悩まされる。 近年,領域一般化(DG)や適応(DA)タスクに応用された拡散モデルが研究されている。 単一段階拡散過程から中間的特徴を抽出することにより,これらの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2025-06-26T06:42:23Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Single Domain Generalization with Model-aware Parametric Batch-wise Mixup [22.709796153794507]
  単一ドメインの一般化は、マシンラーニングの分野において、依然として深刻な課題である。 本稿では,モデル認識型パラメトリックバッチ・ワイド・ミックスアップ(Parametric Batch-wise Mixup)と呼ばれる新しいデータ拡張手法を提案する。 機能間相関を利用することで、パラメータ化されたミックスアップジェネレータは、複数のインスタンスにまたがる機能の組み合わせにおいて、さらなる汎用性を導入する。
  論文  参考訳（メタデータ） (2025-02-22T03:45:18Z)
• Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
  本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。 擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。 実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
  論文  参考訳（メタデータ） (2024-12-18T13:03:00Z)
• Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification [57.945437355714155]
  クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。 既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。 マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
  論文  参考訳（メタデータ） (2024-12-05T06:15:08Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Learning to Augment via Implicit Differentiation for Domain Generalization [107.9666735637355]
  ドメイン一般化(DG)は、複数のソースドメインを活用してドメイン一般化可能なモデルを学ぶことで、この問題を克服することを目的としている。 本稿では,AugLearnと呼ばれる新しい拡張型DG手法を提案する。 AugLearnは、PACS、Office-Home、Digits-DGの3つの標準DGベンチマークで効果を示す。
  論文  参考訳（メタデータ） (2022-10-25T18:51:51Z)
• Towards Principled Disentanglement for Domain Generalization [90.9891372499545]
  機械学習モデルの根本的な課題は、アウト・オブ・ディストリビューション(OOD)データへの一般化である。 私たちはまず、DEC(Disentanglement-Constrained Domain Generalization)と呼ばれる制約付き最適化としてOOD一般化問題を定式化する。 この変換に基づいて、結合表現の不絡合と領域一般化のための原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-27T07:36:32Z)

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。