論文の概要: Make It Up: Fake Images, Real Gains in Generalized Few-shot Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2603.27206v1
• Date: Sat, 28 Mar 2026 09:22:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.847231
• Title: Make It Up: Fake Images, Real Gains in Generalized Few-shot Semantic Segmentation
• Title（参考訳）: フェイク画像と現実のゲイン: 一般化されたフーショットセマンティックセマンティックセマンティックセグメンテーション
• Authors: Guohuan Xie, Xin He, Dingying Fan, Le Zhang, Ming-Ming Cheng, Yun Liu,
• Abstract要約: 一般小ショットセマンティックセマンティックセグメンテーション(GFSS)は、アノテーションの不足による新規クラスの出現のカバレッジによって、基本的に制限されている。 提案するSyn4Segは,新しいクラスの範囲を広げつつ,擬似ラベル品質を改善したGFSSフレームワークである。
• 参考スコア（独自算出の注目度）: 49.73871999518061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized few-shot semantic segmentation (GFSS) is fundamentally limited by the coverage of novel-class appearances under scarce annotations. While diffusion models can synthesize novel-class images at scale, practical gains are often hindered by insufficient coverage and noisy supervision when masks are unavailable or unreliable. We propose Syn4Seg, a generation-enhanced GFSS framework designed to expand novel-class coverage while improving pseudo-label quality. Syn4Seg first maximizes prompt-space coverage by constructing an embedding-deduplicated prompt bank for each novel class, yielding diverse yet class-consistent synthetic images. It then performs support-guided pseudo-label estimation via a two-stage refinement that i) filters low-consistency regions to obtain high-precision seeds and ii) relabels uncertain pixels with image-adaptive prototypes that combine global (support) and local (image) statistics. Finally, we refine only boundary-band and unlabeled pixels using a constrained SAM-based update to improve contour fidelity without overwriting high-confidence interiors. Extensive experiments on PASCAL-$5^i$ and COCO-$20^i$ demonstrate consistent improvements in both 1-shot and 5-shot settings, highlighting synthetic data as a scalable path for GFSS with reliable masks and precise boundaries.
• Abstract（参考訳）: 一般小ショットセマンティックセマンティックセグメンテーション(GFSS)は、アノテーションの不足による新規クラスの出現のカバレッジによって、基本的に制限されている。 拡散モデルは、新しいクラスの画像を大規模に合成することができるが、マスクが利用できない、または信頼性の低い場合には、カバーが不十分でノイズの多い監視によって、実用的なゲインが妨げられることが多い。 提案するSyn4Segは,新しいクラスの範囲を広げつつ,擬似ラベル品質を改善したGFSSフレームワークである。 Syn4Segはまず、新しいクラスごとに埋め込み型プロンプトバンクを構築することで、プロンプト空間のカバレッジを最大化する。 その後、2段階の改良によりサポートガイド付き擬似ラベル推定を行う。 一 高精度な種子を得るために低濃度領域を濾過し、 二 グローバル(サポート)統計とローカル(イメージ)統計を組み合わせた画像適応型プロトタイプで不確実な画素をリラベルすること。 最後に,高信頼インテリアを上書きすることなく輪郭忠実度を向上させるために,拘束されたSAMベースの更新を用いて境界帯域とラベルなしピクセルのみを精査する。 PASCAL-$5^i$とCOCO-$20^i$の大規模な実験は、1ショットと5ショットの両方で一貫した改善を示し、信頼性の高いマスクと正確な境界を持つGFSSのスケーラブルなパスとして合成データを強調した。

関連論文リスト

• SRSR: Enhancing Semantic Accuracy in Real-World Image Super-Resolution with Spatially Re-Focused Text-Conditioning [59.013863248600046]
  本稿では,空間的に再焦点を絞ったテキストコンディショニングを推論時に洗練する超解像フレームワークを提案する。 第二に,非接地画素に対するテキストの影響を選択的に回避し,幻覚を防ぐ空間的自由誘導機構を導入する。
  論文  参考訳（メタデータ） (2025-10-26T05:03:55Z)
• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• Enhancing Generalization in Data-free Quantization via Mixup-class Prompting [8.107092196905157]
  ポストトレーニング量子化(PTQ)は効率を向上するが、特にプライバシー上の制約の下では、限られたキャリブレーションデータに悩まされる。 データフリー量子化(DFQ)は、生成逆数ネットワーク(GAN)やテキスト条件潜在拡散モデル(LDM)などの生成モデルを用いて合成画像を生成することでこれを緩和する。 テキストプロンプトレベルで複数のクラスラベルを融合させて,多種多様な堅牢な合成データを生成する混合テキストプロンプトであるtextbfmixup-class prompt を提案する。
  論文  参考訳（メタデータ） (2025-07-29T16:00:20Z)
• Semantic Alignment and Reinforcement for Data-Free Quantization of Vision Transformers [58.80845404416028]
  データフリー量子化(DFQ)は、実際のデータにアクセスせずにモデル量子化を可能にし、データのセキュリティとプライバシに関する懸念に対処する。 ビジョントランスフォーマー(ViTs)の普及に伴い、ViTsのDFQは大きな注目を集めている。 本稿では,新しいセマンティックアライメントと強化データ自由化手法であるSARDFQを提案する。
  論文  参考訳（メタデータ） (2024-12-21T09:30:45Z)
• Label Geometry Aware Discriminator for Conditional Generative Networks [40.89719383597279]
  条件付きGenerative Adversarial Networks(GAN)は、目的のターゲットクラスで高画質の画像を生成することができます。 これらの合成画像は、画像分類などの下流監督タスクを改善するために必ずしも役に立たない。
  論文  参考訳（メタデータ） (2021-05-12T08:17:25Z)

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。