論文の概要: Leveraging Image Generators to Address Training Data Scarcity: The Gen4Regen Dataset for Forest Regeneration Mapping
- arxiv url: http://arxiv.org/abs/2605.05627v1
- Date: Thu, 07 May 2026 03:28:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.502588
- Title: Leveraging Image Generators to Address Training Data Scarcity: The Gen4Regen Dataset for Forest Regeneration Mapping
- Title（参考訳）: イメージジェネレータを活用したトレーニングデータスキャラシティの活用:森林再生のためのGen4Regenデータセット
- Authors: Gabriel Jeanson, David-Alexandre Duclos, William Larrivée-Hardy, Noé Cochet, Matěj Boxan, Anthony Deschênes, François Pomerleau, Philippe Giguère,
- Abstract要約: 本稿では,微細な森林再生種のセマンティックセグメンテーションにおけるデータ不足と極端クラス不均衡の2つの課題に対処する。
大規模視覚言語Nano Banana Proモデルを用いて,プロンプトから高忠実度画像とそれに対応する画素対応セマンティックマスクを同時に生成する。
提案手法は,実世界のデータとAI生成画像を統合し,AI生成データが実世界のデータと極めて相補的なものであることを示す。
- 参考スコア（独自算出の注目度）: 6.12592712646272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sustainable forest management relies on precise species composition mapping, yet traditional ground surveys are labour-intensive and geographically constrained. While Uncrewed Aerial Vehicles (UAVs) offer scalable data collection, the transition to deep learning-based interpretation is bottlenecked by the severe scarcity of expert-annotated imagery, particularly in complex, visually heterogeneous regeneration zones. This paper addresses the dual challenges of data scarcity and extreme class imbalance in the semantic segmentation of fine-grained forest regeneration species by providing a scalable framework that reduces reliance on manual photo-interpretation for high-resolution, millimetre-level aerial imagery. Importantly, we leverage the large-scale vision-language Nano Banana Pro model to simultaneously generate high-fidelity images and their corresponding pixel-aligned semantic masks from prompts. We introduce WilDReF-Q-V2, an expansion of a natural forest dataset with 13 977 new unlabelled and 50 labelled real images, as well as the Gen4Regen dataset, featuring 2101 pairs of synthetic images and semantic masks. Our methodology integrates real-world data with AI-generated images, highlighting that AI-generated data is highly complementary to real-world data, with unified training yielding an F1 score improvement of over 15 %pt compared to purely supervised baselines. Furthermore, we demonstrate that even small quantities of prompt-generated data significantly improve performance for underrepresented species, some of which saw per-species F1 score gains of up to 30 %pt. We conclude that vision-language models can serve as agile data generators, effectively bootstrapping perception tasks for niche AI domains where expert labels are scarce or unavailable. Our datasets, source code, and models will be available at https://norlab-ulaval.github.io/gen4regen.
- Abstract（参考訳）: 持続可能な森林管理は正確な種組成のマッピングに依存しているが、伝統的な地上調査は労働集約的で地理的に制約されている。
Uncrewed Aerial Vehicles (UAV) はスケーラブルなデータ収集を提供するが、深層学習に基づく解釈への移行は、特に複雑で視覚的に不均一な再生ゾーンにおいて、専門家が注釈付けした画像の深刻な不足によってボトルネックとなる。
本稿では,高解像度・ミリタレベルの空中画像に対する手動写真解釈の信頼性を低下させるスケーラブルなフレームワークを提供することにより,微細な森林再生種のセマンティックセグメンテーションにおけるデータ不足と極端クラス不均衡の2つの課題に対処する。
重要なことは、大規模な視覚言語であるNano Banana Proモデルを利用して、プロンプトから高忠実度画像とその対応する画素対応セマンティックマスクを同時に生成することである。
977の新しいラベル付き実画像と、2101対の合成画像とセマンティックマスクを備えたGen4Regenデータセットを用いて、自然林のデータセットの拡張であるWilDReF-Q-V2を紹介する。
我々の手法は、実世界のデータをAI生成画像と統合し、AI生成データが実世界のデータと非常に相補的であることを強調し、統合トレーニングにより、純粋に教師付きベースラインに比べてF1スコアが15パーセント以上向上した。
さらに,少人数の急速生成データでも表現不足の種のパフォーマンスは著しく向上し,そのうちの1種あたりのF1スコアは最大30%向上した。
私たちは、ビジョン言語モデルはアジャイルデータジェネレータとして機能し、専門家ラベルが不足したり利用できないニッチなAIドメインの知覚タスクを効果的にブートストラップすることができると結論付けました。
私たちのデータセット、ソースコード、モデルはhttps://norlab-ulaval.github.io/gen4regen.orgで公開されます。
関連論文リスト
- EvoTok: A Unified Image Tokenizer via Residual Latent Evolution for Visual Understanding and Generation [68.09145886228585]
理解には高レベルのセマンティック抽象化が必要であり、画像生成には微細なピクセルレベルの表現が必要である。
EvoTokは、共有潜在空間内の残差進化過程を通じてこれらの要求を整合する統合画像トークンである。
EvoTokは9つの視覚的理解ベンチマークのうち7つで有望なパフォーマンスを示しており、GenEvalやGenAI-Benchといった画像生成ベンチマークでは顕著な結果を示している。
論文 参考訳（メタデータ） (2026-03-12T16:13:43Z) - RealHD: A High-Quality Dataset for Robust Detection of State-of-the-Art AI-Generated Images [14.691738115737962]
実画像とAI生成画像の両方を含む複数のカテゴリにわたる730,000以上の画像からなる高品質で大規模なデータセットを提案する。
生成された画像は最先端の方法で合成され、テキスト・ツー・イメージ・ジェネレーション(念入りに設計された1万以上のプロンプトによって誘導される)、画像のインペインティング、画像の精細化、顔のスワップなどが含まれる。
我々のデータセットは、検出方法を評価するための強力なベンチマークとして機能するだけでなく、AI生成画像検出技術の堅牢性向上にも寄与する。
論文 参考訳（メタデータ） (2026-02-11T05:38:40Z) - Sparse Data Tree Canopy Segmentation: Fine-Tuning Leading Pretrained Models on Only 150 Images [0.8294874285381528]
空中画像からの樹冠検出は, 環境モニタリング, 都市計画, 生態系分析において重要な課題である。
Solafune Tree Canopy Detectionコンペティションは、実際のデータアノテーションの不足をシミュレートし、わずか150の注釈付きイメージの小さな不均衡なデータセットを提供する。
我々は, YOLOv11, Mask R-CNN, DeepLabv3, Swin-UNet, DINOv2の5つの代表的なアーキテクチャを評価し, 極度のデータ不足下でのキャノピーセグメンテーションの適合性を評価する。
論文 参考訳（メタデータ） (2026-01-16T01:20:32Z) - AerialMegaDepth: Learning Aerial-Ground Reconstruction and View Synthesis [57.249817395828174]
本研究では,3次元都市規模のメッシュからの擬似合成レンダリングと,実地レベルでのクラウドソース画像を組み合わせたスケーラブルなフレームワークを提案する。
擬似合成データは、幅広い空中視点をシミュレートする一方、実際のクラウドソース画像は、地上レベルの画像の視覚的忠実度を改善するのに役立つ。
このハイブリッドデータセットを使用して、いくつかの最先端のアルゴリズムを微調整し、実世界のゼロショット地上作業において大幅な改善を実現する。
論文 参考訳（メタデータ） (2025-04-17T17:57:05Z) - CoSimGen: Controllable Diffusion Model for Simultaneous Image and Mask Generation [1.9393128408121891]
既存の生成モデルは、高品質で同時画像マスク生成の必要性に対処できない。
本稿では,同時画像生成とマスク生成を同時に行うための拡散型フレームワークであるCoSimGenを提案する。
CoSimGenはすべてのデータセットで最先端のパフォーマンスを達成し、データセットで0.11、LPIPSで0.53の最低KIDを達成した。
論文 参考訳（メタデータ） (2025-03-25T13:48:22Z) - LEGION: Learning to Ground and Explain for Synthetic Image Detection [49.958951540410816]
提案するSynthScarsは,12,236個の完全合成画像からなる高品質で多様なデータセットである。
4つの異なる画像コンテンツタイプ、3つのアーティファクトカテゴリ、ピクセルレベルのセグメンテーション、詳細なテキスト説明、アーティファクトカテゴリラベルを含んでいる。
人工物の検出,分割,説明を統合するマルチモーダル大規模言語モデル(MLLM)に基づく画像偽造解析フレームワークであるLEGIONを提案する。
論文 参考訳（メタデータ） (2025-03-19T14:37:21Z) - SAGI: Semantically Aligned and Uncertainty Guided AI Image Inpainting [11.216906046169683]
SAGI-DはAIが生成する塗り絵の最大かつ最も多様なデータセットである。
実験の結果,セマンティックアライメントは画像の品質と美学を著しく改善することがわかった。
SAGI-Dを使っていくつかの画像法医学的アプローチを訓練すると、ドメイン内の検出性能は平均37.4%向上する。
論文 参考訳（メタデータ） (2025-02-10T15:56:28Z) - Diffusion Models are Efficient Data Generators for Human Mesh Recovery [55.37787289869703]
生成モデルにより生成された合成データはCGレンダリングデータと相補的であることを示す。
我々はHumanWildと呼ばれる最近の拡散モデルに基づく効率的なデータ生成パイプラインを提案する。
われわれの研究は、人間の3Dリカバリを現場に拡大するための道を開くかもしれない。
論文 参考訳（メタデータ） (2024-03-17T06:31:16Z) - Diversify Your Vision Datasets with Automatic Diffusion-Based
Augmentation [66.6546668043249]
ALIA(Automated Language-Guided Image Augmentation)は、大規模ビジョンと言語モデルを用いてデータセットのドメインの自然言語記述を自動的に生成する手法である。
データ整合性を維持するために、オリジナルのデータセットでトレーニングされたモデルは、最小限の画像編集とクラス関連情報を破損したデータをフィルタリングする。
そこで本研究では,ALIAが従来のデータ拡張や,詳細な分類作業におけるテキストから画像への変換を超越できることを示す。
論文 参考訳（メタデータ） (2023-05-25T17:43:05Z) - Transferring and Regularizing Prediction for Semantic Segmentation [115.88957139226966]
本稿では,セマンティックセグメンテーションの本質的特性を利用して,モデル伝達におけるそのような問題を緩和する。
本稿では,モデル転送を教師なし方式で正規化するための制約として固有特性を課す予測伝達の正規化器(RPT)を提案する。
GTA5とSynTHIA(synthetic data)で訓練されたモデルの都市景観データセット(アーバンストリートシーン)への転送に関するRTPの提案を検証するため、大規模な実験を行った。
論文 参考訳（メタデータ） (2020-06-11T16:19:41Z)
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。