論文の概要: CrackForward: Context-Aware Severity Stage Crack Synthesis for Data Augmentation
- arxiv url: http://arxiv.org/abs/2604.19941v1
- Date: Tue, 21 Apr 2026 19:36:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:10.76348
- Title: CrackForward: Context-Aware Severity Stage Crack Synthesis for Data Augmentation
- Title（参考訳）: クラックフォワード:データ拡張のためのコンテキスト対応重度ステージクラック合成
- Authors: Nassim Sadallah, Mohand Saïd Allili,
- Abstract要約: 本稿では,データ拡張のための現実的なひび割れ成長パターンの合成を目的とした,コンテキスト認識型生成フレームワークを提案する。
CrackForwardは、方向のひび割れ伸長と学習した厚みと分岐を組み合わせることで、き裂形態を明示的にモデル化する。
- 参考スコア（独自算出の注目度）: 1.6440434996206623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable crack detection and segmentation are vital for structural health monitoring, yet the scarcity of well-annotated data constitutes a major challenge. To address this limitation, we propose a novel context-aware generative framework designed to synthesize realistic crack growth patterns for data augmentation. Unlike existing methods that primarily manipulate textures or background content, CrackForward explicitly models crack morphology by combining directional crack elongation with learned thickening and branching. Our framework integrates two key innovations: (i) a contextually guided crack expansion module, which uses local directional cues and adaptive random walk to simulate realistic propagation paths; and (ii) a two-stage U-Net-style generator that learns to reproduce spatially varying crack characteristics such as thickness, branching, and growth. Experimental results show that the generated samples preserve target-stage saturation and thickness characteristics and improve the performance of several crack segmentation architectures. These results indicate that structure-aware synthetic crack generation can provide more informative training data than conventional augmentation alone.
- Abstract（参考訳）: 信頼性の高いき裂検出とセグメンテーションは構造的健康モニタリングに不可欠であるが、十分に注釈されたデータの不足は大きな課題である。
この制限に対処するために,データ拡張のための現実的な亀裂成長パターンを合成するためのコンテキスト認識型生成フレームワークを提案する。
テクスチャや背景コンテンツを主に操作する既存の方法とは異なり、CrackForwardは方向のひび割れ伸長と学習した厚みと分枝を組み合わせることで、き裂形態を明示的にモデル化する。
私たちのフレームワークは2つの重要なイノベーションを統合しています。
(i)局所方向手がかりと適応ランダムウォークを用いて現実的な伝播経路をシミュレートする文脈案内型き裂拡大モジュール
二 厚み、枝分かれ、成長等の空間的に異なるき裂特性を再現することを学ぶ二段Uネット型発電機。
実験の結果, 生成した試料は, ターゲットステージの飽和度と厚さ特性を保ち, クラックセグメンテーションアーキテクチャの性能を向上させることがわかった。
これらの結果から, 構造認識型人工ひび割れ生成は, 従来の増強単独よりも有意義な訓練データを提供する可能性が示唆された。
関連論文リスト
- Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。
ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。
本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T07:38:55Z) - Protein Autoregressive Modeling via Multiscale Structure Generation [51.92004892768298]
タンパク質自己回帰モデリング(PAR)は,タンパク質のバックボーン生成のための最初のマルチスケール自己回帰フレームワークである。
ノイズの多いコンテキスト学習とスケジュールサンプリングを採用し、堅牢なバックボーン生成を実現している。
非条件生成ベンチマークでは、PARはタンパク質の分布を効果的に学習し、高い設計品質のバックボーンを生成する。
論文 参考訳（メタデータ） (2026-02-04T18:59:49Z) - StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。
最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。
結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
論文 参考訳（メタデータ） (2026-01-12T15:41:27Z) - How Far Are We from Generating Missing Modalities with Foundation Models? [49.425856207329524]
欠落したモダリティの再構築に適したエージェントフレームワークを提案する。
本手法は, 画像再構成に要するFIDを少なくとも14%, MERを少なくとも10%削減する。
論文 参考訳（メタデータ） (2025-06-04T03:22:44Z) - Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。
この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
論文 参考訳（メタデータ） (2025-03-31T10:16:03Z) - Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。
これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。
提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
論文 参考訳（メタデータ） (2024-09-04T16:47:16Z) - A spatiotemporal deep learning framework for prediction of crack dynamics in heterogeneous solids: efficient mapping of concrete microstructures to its fracture properties [0.0]
深層学習フレームワークは, コンクリートメソ構造中のフラクチャーの2次元フルフィールド予測を行うことができる。
メソ構造の平均応力-ひずみ曲線を予測できる畳み込みニューラルネットワークを開発した。
UNetモデリングフレームワークは、スキップ接続を持つエンコーダ-デコーダセクションで構成され、ディープラーニングサロゲートモデルとして使用される。
論文 参考訳（メタデータ） (2024-07-22T14:28:46Z) - Crack-Net: Prediction of Crack Propagation in Composites [8.284066773981262]
クラックネット(Crack-Net)は, ひび割れ進展と応力応答の関係を組み込んで, 複合材料における破壊過程を予測するフレームワークである。
クラックネットは, 所定の複合設計におけるひび割れ成長パターンと応力-ひずみ曲線の長期的変化を正確に予測する優れた能力を示す。
論文 参考訳（メタデータ） (2023-09-24T12:57:35Z) - Designing a Hybrid Neural System to Learn Real-world Crack Segmentation
from Fractal-based Simulation [7.0156884721768575]
フラクタルとそれに対応するフルアノテートクラックデータセットに基づく高忠実度クラックグラフィーシミュレータを提案する。
次に、シミュレーションから一般化可能な表現を学習するシステムで後者を補完する。
最後に、シミュレーションを実際のギャップにブリッジすることで、どのように異なる設計選択が共生的であるかを実証的に強調し、最終的に、我々の導入したシステムが現実世界のひび割れのセグメンテーションを効果的に処理できることを実証する。
論文 参考訳（メタデータ） (2023-09-18T10:13:03Z) - Infrastructure Crack Segmentation: Boundary Guidance Method and
Benchmark Dataset [11.282003429161163]
本稿では, き裂の固有特性について検討し, き裂の識別に境界特性を導入する。
境界誘導クラックセグメンテーションモデル(BGCrack)を、高頻度モジュールを含むターゲット構造とモジュールで構築する。
本稿では, 鋼ひび割れの同定のための統一的, 公正なベンチマークを確立するための鋼ひび割れデータセットを提供する。
論文 参考訳（メタデータ） (2023-06-15T15:25:53Z)
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。