論文の概要: What Makes Synthetic Data Effective in Image Segmentation

• arxiv url: http://arxiv.org/abs/2605.19289v1
• Date: Tue, 19 May 2026 03:07:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.091084
• Title: What Makes Synthetic Data Effective in Image Segmentation
• Title（参考訳）: 画像セグメンテーションにおける合成データの有効性
• Authors: Jinjin Zhang, Xiefan Guo, Yizhou Jin, Nan Zhou, Di Huang,
• Abstract要約: 視覚的理解のための有望なソリューションとして合成データが登場した。 本研究では,現状の拡散モデルから合成画像の体系的解析を行い,その有用性を規定する要因を明らかにする。 フレキシブルでスケーラブルな合成データを活用し,セグメンテーション性能を大幅に向上する統合フレームワークであるSENSEを提案する。
• 参考スコア（独自算出の注目度）: 35.90116236392466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by rapid advances in large-scale generative models, synthetic data has emerged as a promising solution for visual understanding. While modern diffusion models achieve remarkable photorealistic image synthesis, their potential in complex visual segmentation tasks remains underexplored. In this work, we conduct a systematic analysis of synthetic images from state-of-the-art diffusion models to uncover the factors governing their utility. In particular, synthetic images characterized by dense scene composition and fine instance fidelity demonstrate distinctive benefits, yielding significantly more discriminative spatial representations. Building on these insights, we propose SENSE, a unified framework that leverages flexible and scalable synthetic data to substantially enhance segmentation performance. Notably, SENSE is model-agnostic, compatible with diverse architectures (e.g., DPT and Mask2Former), and scales effectively across models with varying parameter capacities. Extensive experiments on Cityscapes, COCO, and ADE20K validate the effectiveness and generalization capability of our approach. Code is available at https://github.com/zhang0jhon/SENSE.
• Abstract（参考訳）: 大規模生成モデルの急速な進歩によって、合成データは視覚的理解のための有望な解決策として現れてきた。 現代の拡散モデルでは顕著なフォトリアリスティックな画像合成が達成されているが、複雑な視覚的セグメンテーションタスクにおけるそれらのポテンシャルは未解明のままである。 本研究では,現状の拡散モデルから合成画像の体系的解析を行い,それらの有用性を規定する要因を明らかにする。 特に、濃密なシーン構成と細かなインスタンスの忠実さを特徴とする合成画像は、顕著な利点を示し、より差別的な空間表現をもたらす。 これらの知見に基づいて,フレキシブルでスケーラブルな合成データを活用し,セグメンテーション性能を大幅に向上する統合フレームワークであるSENSEを提案する。 特に、SENSEはモデルに依存しず、様々なアーキテクチャ(例えば、DPT、Mask2Former)と互換性があり、パラメータ容量の異なるモデル間で効果的にスケールする。 都市景観,COCO,ADE20Kに関する大規模な実験は,我々のアプローチの有効性と一般化能力を検証する。 コードはhttps://github.com/zhang0jhon/SENSE.comで入手できる。

関連論文リスト

• Enhancing Zero-Shot Pedestrian Attribute Recognition with Synthetic Data Generation: A Comparative Study with Image-To-Image Diffusion Models [4.151161561832882]
  Pedestrian Attribute Recognition (PAR)は、画像からさまざまな人間の属性を識別し、インテリジェントな監視システムに応用する。 拡散モデルの最近の進歩は、多様なリアルな合成画像を生成することを約束している。 本稿では、PARタスクに適した合成歩行者画像の生成における拡散モデルの有効性について検討する。
  論文  参考訳（メタデータ） (2025-09-02T10:12:53Z)
• Multi-focal Conditioned Latent Diffusion for Person Image Synthesis [59.113899155476005]
  遅延拡散モデル(LDM)は高解像度画像生成において強力な機能を示した。 これらの制約に対処する多焦点条件付き潜時拡散法(MCLD)を提案する。 本手法では,顔の同一性やテクスチャ固有の情報を効果的に統合する多焦点条件アグリゲーションモジュールを利用する。
  論文  参考訳（メタデータ） (2025-03-19T20:50:10Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Learning from Synthetic Data for Visual Grounding [55.21937116752679]
  そこで本研究では,SynGroundが市販のビジョン・アンド・ランゲージモデルのローカライズ能力を向上できることを示す。 SynGroundで生成されたデータは、事前訓練されたALBEFモデルとBLIPモデルのポインティングゲーム精度をそれぞれ4.81%、絶対パーセンテージポイント17.11%向上させる。
  論文  参考訳（メタデータ） (2024-03-20T17:59:43Z)
• Improving the Effectiveness of Deep Generative Data [5.856292656853396]
  下流の画像処理タスクのための純粋合成画像のモデルを訓練すると、実際のデータに対するトレーニングに比べ、望ましくない性能低下が生じる。 本稿では,この現象に寄与する要因を記述した新しい分類法を提案し,CIFAR-10データセットを用いて検討する。 本手法は,合成データと合成データの混合による学習と合成データのみの学習において,下流分類タスクのベースラインに優れる。
  論文  参考訳（メタデータ） (2023-11-07T12:57:58Z)
• DiVAE: Photorealistic Images Synthesis with Denoising Diffusion Decoder [73.1010640692609]
  本稿では,拡散デコーダ(DiVAE)を用いたVQ-VAEアーキテクチャモデルを提案する。 我々のモデルは最先端の成果を達成し、さらに多くのフォトリアリスティックな画像を生成する。
  論文  参考訳（メタデータ） (2022-06-01T10:39:12Z)

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。