論文の概要: Prototype Learning-Based Few-Shot Segmentation for Low-Light Crack on Concrete Structures

• arxiv url: http://arxiv.org/abs/2601.13059v1
• Date: Mon, 19 Jan 2026 13:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.918564
• Title: Prototype Learning-Based Few-Shot Segmentation for Low-Light Crack on Concrete Structures
• Title（参考訳）: コンクリート構造物の低照度き裂に対する試作学習ベースFew-Shotセグメンテーション
• Authors: Yulun Guo,
• Abstract要約: ひび割れの検出はコンクリートインフラの安全性にとって重要であるが、実際のひび割れはトンネルや橋の下面などの低照度環境にしばしば現れる。 本稿では,Retinex理論を低照度き裂分割のための数ショット学習と統合した二分岐型学習ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crack detection is critical for concrete infrastructure safety, but real-world cracks often appear in low-light environments like tunnels and bridge undersides, degrading computer vision segmentation accuracy. Pixel-level annotation of low-light crack images is extremely time-consuming, yet most deep learning methods require large, well-illuminated datasets. We propose a dual-branch prototype learning network integrating Retinex theory with few-shot learning for low-light crack segmentation. Retinex-based reflectance components guide illumination-invariant global representation learning, while metric learning reduces dependence on large annotated datasets. We introduce a cross-similarity prior mask generation module that computes high-dimensional similarities between query and support features to capture crack location and structure, and a multi-scale feature enhancement module that fuses multi-scale features with the prior mask to alleviate spatial inconsistency. Extensive experiments on multiple benchmarks demonstrate consistent state-of-the-art performance under low-light conditions. Code: https://github.com/YulunGuo/CrackFSS.
• Abstract（参考訳）: ひび割れの検出はコンクリートインフラの安全性にとって重要であるが、実際のひび割れはトンネルや橋の下面などの低照度環境によく現れ、コンピュータビジョンのセグメンテーションの精度を低下させる。 低照度クラック画像のピクセルレベルのアノテーションは非常に時間がかかりますが、ほとんどのディープラーニング手法では、大きく、よく照らされたデータセットが必要です。 本稿では,Retinex理論を低照度き裂分割のための数ショット学習と統合した二分岐型学習ネットワークを提案する。 網膜ベースの反射率成分は照明不変のグローバル表現学習を導く一方、計量学習は大きな注釈付きデータセットへの依存を減らす。 本稿では,クエリとサポート機能の高次元類似性を計算し,クラックの位置と構造を捉えるクロス類似性事前マスク生成モジュールと,空間的不整合を緩和するために先行マスクとマルチスケール特徴を融合するマルチスケール特徴拡張モジュールを紹介する。 複数のベンチマークでの大規模な実験は、低照度条件下での一貫した最先端性能を示す。 コード:https://github.com/YulunGuo/CrackFSS。

関連論文リスト

• Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
  オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。 本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。 我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
  論文  参考訳（メタデータ） (2025-12-11T12:20:31Z)
• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• CrackSCF: Lightweight Cascaded Fusion Network for Robust and Efficient Structural Crack Segmentation [36.93774494071781]
  CrackSCFは、堅牢なクラックセグメンテーションを実現するために設計された軽量なカスケード核融合クラックネットワークである。 このアプローチは、最小の計算フットプリントで動作しながら、ローカルパターンを効率的にキャプチャする。 実験結果から,CrackSCF法は既存の手法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2024-08-23T03:21:51Z)
• CrackNex: a Few-shot Low-light Crack Segmentation Model Based on Retinex Theory for UAV Inspections [9.27355428681897]
  CrackNexは、Retinex Theoryに基づく反射情報を利用して、モデルが統一された照明不変表現を学ぶのを助けるフレームワークである。 LCSDは102個の高照度き裂画像と41個の低照度き裂画像からなる。
  論文  参考訳（メタデータ） (2024-03-05T15:52:54Z)
• Bilevel Fast Scene Adaptation for Low-Light Image Enhancement [50.639332885989255]
  低照度シーンにおける画像の強調は、コンピュータビジョンにおいて難しいが、広く懸念されている課題である。 主な障害は、異なるシーンにまたがる分散の相違によるモデリングの混乱にある。 上述の潜在対応をモデル化するための双レベルパラダイムを導入する。 エンコーダのシーン非関連な一般化を多様なシーンにもたらすために、双方向学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-06-02T08:16:21Z)
• Multi-spectral Class Center Network for Face Manipulation Detection and Localization [52.569170436393165]
  顔の操作検出と局所化のための新しいマルチスペクトル・クラス・センター・ネットワーク(MSCCNet)を提案する。 周波数帯域の異なる特徴に基づき、MSCCモジュールはマルチスペクトルクラスセンターを収集し、ピクセル対クラス関係を計算する。 多スペクトルクラスレベルの表現を適用することで、偽画像の操作された領域に敏感な視覚概念の意味情報を抑えることができる。
  論文  参考訳（メタデータ） (2023-05-18T08:09:20Z)
• PatchMVSNet: Patch-wise Unsupervised Multi-View Stereo for Weakly-Textured Surface Reconstruction [2.9896482273918434]
  本稿では,多視点画像の制約を活かしたロバストな損失関数を提案し,あいまいさを緩和する。 我々の戦略は任意の深さ推定フレームワークで実装することができ、任意の大規模MVSデータセットでトレーニングすることができる。 提案手法は,DTU,タンク・アンド・テンプル,ETH3Dなどの一般的なベンチマーク上での最先端手法の性能に達する。
  論文  参考訳（メタデータ） (2022-03-04T07:05:23Z)
• Learning Deep Context-Sensitive Decomposition for Low-Light Image Enhancement [58.72667941107544]
  典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。 本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。 チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
  論文  参考訳（メタデータ） (2021-12-09T06:25:30Z)

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。