論文の概要: Segment Anything with Robust Uncertainty-Accuracy Correlation

• arxiv url: http://arxiv.org/abs/2605.10603v2
• Date: Tue, 19 May 2026 12:23:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 06:35:59.753517
• Title: Segment Anything with Robust Uncertainty-Accuracy Correlation
• Title（参考訳）: ロバストな不確かさ-正確性相関を伴うセグメント
• Authors: Hongyou Zhou, Marc Toussaint, Ling Shao, Zihan Ye,
• Abstract要約: ニューラルネットワークにおけるテクスチャバイアスのショートカットと人間の視覚における形状中心の処理との対比により、我々は、外見の変化として領域外変化をモデル化し、共同でキャリブレーションをストレスする非剛性変形をモデル化する。 本稿では,ロバスト不確かさ-精度相関(RUAC)を用いたSegment Anythingを提案する。 23個のゼロショット領域にまたがって、RUACはセグメンテーションの品質を改善し、より強い不確実性と精度の相関を持つより忠実な不確実性をもたらす。
• 参考スコア（独自算出の注目度）: 38.06380944319879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite strong zero-shot performance, SAM is unreliable under domain shift due to Mask-level Confidence Confusion (MCC), where a single IoU-based mask score fails to reflect pixel-wise reliability near boundaries. Motivated by the contrast between texture-biased shortcuts in neural networks and shape-centric processing in human vision, we model out-of-domain variation as appearance shifts and non-rigid deformations that jointly stress calibration. We propose Segment Anything with Robust Uncertainty-Accuracy Correlation (RUAC) for robust pixel-wise uncertainty estimation under appearance and deformation shifts. RUAC adds a lightweight uncertainty head, trains it with a collaborative style-deformation attack that jointly perturbs texture and geometry, and applies Uncertainty-Accuracy Alignment to ensure uncertainty consistently highlights erroneous pixels even under adversarial perturbations. Across 23 zero-shot domains, RUAC improves segmentation quality and yields more faithful uncertainty with stronger uncertainty-accuracy correlation. Project page: https://github.com/HongyouZhou/ruac.git.
• Abstract（参考訳）: 強力なゼロショット性能にもかかわらず、SAMは、IoUベースのマスクスコアが境界付近でピクセル単位の信頼性を反映しないMaskレベル信頼融合 (MCC) によって、ドメインシフト下では信頼性が低い。 ニューラルネットワークにおけるテクスチャバイアスのショートカットと人間の視覚における形状中心の処理との対比により、我々は、外見の変化として領域外変化をモデル化し、共同でキャリブレーションをストレスする非剛性変形をモデル化する。 本稿では,ロバスト不確かさ-精度相関(RUAC)を用いたSegment Anythingを提案する。 RUACは軽量な不確実性ヘッドを追加し、コラボレーティブなスタイル・デフォーメーション・アタックで、テクスチャと幾何学を共同で摂動させ、不確実性アライメントを適用して不確実性を保証する。 23個のゼロショット領域にまたがって、RUACはセグメンテーションの品質を改善し、より強い不確実性と精度の相関を持つより忠実な不確実性をもたらす。 プロジェクトページ: https://github.com/HongyouZhou/ruac.git.com

関連論文リスト

• UnGAP: Uncertainty-Guided Affine Prompting for Real-Time Crack Segmentation [16.902729686979303]
  UPFM(Uncertainty-Prompted Feature Modulator)は、単に出力ではなく、アクティブな視覚的プロンプトとして、アレタリック不確実性を扱う。 UnGAPは、より優れたセグメンテーション精度とリアルタイムの推論速度のバランスをとる。
  論文  参考訳（メタデータ） (2026-05-04T09:18:57Z)
• The Geometry of Robustness: Optimizing Loss Landscape Curvature and Feature Manifold Alignment for Robust Finetuning of Vision-Language Models [33.10473765967503]
  一般化保存法はID/OOD性能を維持するが、敵攻撃に弱いモデルを残す。 我々の重要な洞察は、ロバスト性トレードオフは、パラメータ空間における鋭く異方性のある最小値と、摂動下で変形する不安定な特徴表現の2つの幾何学的失敗に由来するということである。 本稿では,パラメータ空間の曲率と特徴空間の不変性を協調的に正規化する,統一的な微調整フレームワークGRACEを提案する。
  論文  参考訳（メタデータ） (2026-03-28T05:22:00Z)
• Margin and Consistency Supervision for Calibrated and Robust Vision Models [1.0152838128195467]
  Margin and Consistency Supervision (MaCS)は、アーキテクチャに依存しないシンプルな正規化フレームワークである。 MACSはロジト空間分離と局所予測安定性を共同で実施する。 我々は,リプシッツ型安定性プロキシにより定式化された局所感度を低下させながら,分類マージンを増大させることにより,一般化の保証が向上することを示した。
  論文  参考訳（メタデータ） (2026-03-06T01:54:28Z)
• Calibrating Uncertainty for Zero-Shot Adversarial CLIP [33.707647228637114]
  予測精度と不確実性アライメントの両方を考慮した,CLIPの新たな逆調整目標を提案する。 我々の目的は、これらの分布を摂動の下で均等に整列させ、シングルログのアンカーを超えて不確実性を回復することである。
  論文  参考訳（メタデータ） (2025-12-15T05:41:08Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。