論文の概要: SeamCam: Quantifying Seamless Camouflage via Multi-Cue Visual Detectability

• arxiv url: http://arxiv.org/abs/2605.16515v1
• Date: Fri, 15 May 2026 18:08:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.594634
• Title: SeamCam: Quantifying Seamless Camouflage via Multi-Cue Visual Detectability
• Title（参考訳）: SeamCam:マルチキュー視覚検出によるシームレスカモフラージュの定量化
• Authors: Amin Karimi Monsefi, Abolfazl Meyarian, Mridul Khurana, Shuheng Wang, Pouyan Navard, Cheng Zhang, Anuj Karpatne, Wei-Lun Chao, Rajiv Ramnath,
• Abstract要約: SeamCamは、動物が利用可能な視覚的証拠からどれほど検出可能かを測定するメトリクスです。 画像と対象種が与えられた後、SeamCamはカテゴリ条件付き検出提案を生成し、セグメンテーションマスクを抽出し、グラウンドトゥルースマスクで最高IoUを生成するサブセットを特定する。 94人の参加者と2,390人の被験者による2段階の強制選択研究において、SeamCamは人間の迷彩障害判定と78.82%の合意に達し、最先端の技術を約25%上回っている。
• 参考スコア（独自算出の注目度）: 30.862443732158933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Animals are described as effectively camouflaged when they blend seamlessly with their surrounding, yet no standardized quantitative measure of this seamlessness exists. We address this gap by framing camouflage evaluation as a visual localization problem: a well-camouflaged animal is one that remains difficult to detect even when its category is known. We introduce SeamCam (Seamless Camouflage), a metric that quantifies how detectable an animal is from the available visual evidence. Given an image and a target species, SeamCam generates category-conditioned detection proposals, extracts segmentation masks, and identifies the subset whose collective union yields the highest IoU with the ground-truth mask. The SeamCam score is one minus this maximum recoverable localization signal, where a higher score indicates stronger camouflage (i.e., lower detectability). In a human two-alternative forced-choice study with 94 participants and 2,390 comparisons, SeamCam achieves 78.82% agreement with human camouflage difficulty judgments, outperforming state-of-the-art by about 25%. We then demonstrate SeamCam's utility as a preference signal for Direct Preference Optimization (DPO) to fine-tune a diffusion-based inpainting model for camouflage generation. This offers an affordable training approach with an objective explicitly suited for camouflage generation, unlike typical diffusion models. To support rigorous benchmarking, we further introduce CamFG-1.5k, a curated dataset of 1,521 high-resolution images in which animals are fully visible prior to camouflage generation, enabling unbiased evaluation by controlling for occlusion artifacts present in existing datasets. https://7amin.github.io/SeamCam/
• Abstract（参考訳）: 動物は周囲とシームレスにブレンドすると効果的にカモフラージュされるが、このシームレスさの標準化された定量的尺度は存在しない。 視覚的局所化問題としてカモフラージュ評価をフレーミングすることで、このギャップに対処する: よくカモフラージュされた動物は、そのカテゴリーが知られている場合でも検出が難しい。 SeamCam(Seamless Camouflage)は、動物の視覚的証拠から、動物がどれほど検出可能かを測定する指標である。 画像と対象種が与えられた後、SeamCamはカテゴリ条件付き検出提案を生成し、セグメンテーションマスクを抽出し、グラウンドトゥルースマスクで最高IoUを生成するサブセットを特定する。 SeamCamスコアは、この最大回復可能なローカライゼーション信号の1分の1であり、より高いスコアはより強いカモフラージュ(すなわち、より低い検出性)を示す。 94人の参加者と2,390人の被験者による2段階の強制選択研究において、SeamCamは人間の迷彩障害判定と78.82%の合意に達し、最先端の技術を約25%上回っている。 次に、直接選好最適化(DPO)の選好信号としてSeamCamの利点を実証し、迷彩生成のための拡散ベースの塗装モデルを微調整する。 これは、典型的な拡散モデルとは異なり、カモフラージュ生成に明示的に適合する目的を持つ、手頃なトレーニングアプローチを提供する。 厳密なベンチマークをサポートするために、我々はさらに、カモフラージュ生成の前に動物が完全に見える1,521個の高解像度画像のキュレートデータセットCamFG-1.5kを導入し、既存のデータセットに存在する閉塞アーティファクトを制御することによって、偏見のない評価を可能にする。 https://7amin.github.io/SeamCam/

関連論文リスト

• The Making and Breaking of Camouflage [95.37449361842656]
  背景特徴と前景特徴の類似性と境界視認性によってカモフラージュを測定することができることを示す。 提案したカモフラージュスコアを補助的損失として生成モデルに組み込んで,有効カモフラージュ画像やビデオがスケーラブルに合成可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-07T17:58:05Z)
• Camouflaged Image Synthesis Is All You Need to Boost Camouflaged Detection [47.653092957888596]
  本研究では,カモフラージュデータの合成フレームワークを提案する。 提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。 我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-08-13T06:55:05Z)
• CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
  CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。 我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。 当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
  論文  参考訳（メタデータ） (2023-04-11T19:37:47Z)
• CamoFormer: Masked Separable Attention for Camouflaged Object Detection [94.2870722866853]
  カモフラージュされた物体検出のための単純なマスク付き分離型注意(MSA)を提案する。 まず,マルチヘッド・セルフアテンションを3つの部分に分割し,異なるマスキング戦略を用いて,背景からカモフラージュした物体を識別する役割を担っている。 提案手法では,MSAを用いた単純なトップダウンデコーダを用いて,高精度なセグメンテーション結果を得るために,高分解能なセグメンテーション表現を段階的にキャプチャする。
  論文  参考訳（メタデータ） (2022-12-10T10:03:27Z)
• Towards Deeper Understanding of Camouflaged Object Detection [64.81987999832032]
  バイナリセグメンテーション設定は、カモフラージュの概念を完全に理解できない。 そこで本研究では,カモフラージュされたオブジェクトの局所化,セグメント化,ランク付けを同時に行う3段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-23T14:26:18Z)
• Simultaneously Localize, Segment and Rank the Camouflaged Objects [55.46101599577343]
  camouflaged object detectionは、周囲に隠されているcamouflaged objectsを分割することを目的としている。 私たちは、カモフラージュされた物体の目立ちを特定の背景に明確にモデル化することは、カモフラージュと動物の進化をよりよく理解するのに役立つと主張しています。 迷彩オブジェクトを同時にローカライズ、セグメント化、ランク付けする最初のランキングベースのCODネットワーク(Rank-Net)を紹介します。
  論文  参考訳（メタデータ） (2021-03-06T02:53:36Z)

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。