論文の概要: OneFocus: Enabling Real-World X-ray Security Screening with a Unified Vision-Language Model

• arxiv url: http://arxiv.org/abs/2606.15663v1
• Date: Sun, 14 Jun 2026 08:02:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.783464
• Title: OneFocus: Enabling Real-World X-ray Security Screening with a Unified Vision-Language Model
• Title（参考訳）: OneFocus:Unified Vision-Language Modelによる実世界のX線セキュリティスクリーニングの実現
• Abstract要約: 視覚言語モデル(VLM)は強力な一般化を提供するが、高品質なX線画像キャプチャーデータの不足によって妨げられる。 52,124対のX線コントラバンドの28種類の微細なクラスにまたがる画像キャプチャー・ペアのベンチマークであるMMXrayを提案する。 視覚的質問応答, 対バンド局所化, 分類, 画像理解の4つのタスクをサポートする統合VLMであるOneFocusを提案する。
• 参考スコア（独自算出の注目度）: 6.260320929730542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: X-ray contraband detection is critical for security in large-scale logistics and transportation, yet conventional detectors struggle to adapt to emerging contraband types and lack fundamental visual understanding. Vision-language models (VLMs) offer strong generalization but are hindered by the scarcity of high-quality X-ray image-caption data. To bridge this critical gap, we present MMXray, a meticulously curated benchmark of 52,124 image-caption pairs spanning 28 fine-grained classes of X-ray contraband. To enrich MMXray with realistic occlusion patterns, we further introduce CleanDET, a dedicated synthesis dataset containing clean foreground contraband images from 28 categories and background images with diverse density levels, together with AnyContraSyn, a controllable synthesis method designed to operate on CleanDET. We also develop OnePipe, an extensible pipeline for systematic data curation. Built on MMXray, we propose OneFocus, a unified VLM that supports four core tasks: visual question answering, contraband localization, classification, and image understanding. OneFocus achieves state-of-the-art performance in X-ray contraband understanding and demonstrates robust cross-domain generalization, establishing a strong vision-language baseline for security screening.
• Abstract（参考訳）: X線コントラバンド検出は大規模物流や輸送においてセキュリティにとって重要であるが、従来の検出器は新興のコントラバンドタイプに適応し、基本的な視覚的理解を欠いている。 視覚言語モデル(VLM)は強力な一般化を提供するが、高品質なX線画像キャプチャーデータの不足によって妨げられる。 この重要なギャップを埋めるために,28種類のX線コントラバンドの微細なクラスにまたがる52,124枚の画像キャプチャーペアの厳密にキュレートされたベンチマークであるMMXrayを提案する。 そこで本研究では,28カテゴリのクリーンなコントラバンド画像と,多様な密度レベルの背景画像を含む専用合成データセットであるCleanDETと,CleanDET上で動作可能な制御可能な合成手法であるAnyContraSynを紹介する。 また、体系的なデータキュレーションのための拡張可能なパイプラインであるOnePipeも開発しています。 MMXray上に構築されたOneFocusは,視覚的質問応答,コントラバンドのローカライゼーション,分類,画像理解の4つのコアタスクをサポートする統合VLMである。 OneFocusは、X線コントラバンド理解における最先端性能を実現し、堅牢なクロスドメイン一般化を実証し、セキュリティスクリーニングのための強力なビジョン言語ベースラインを確立する。

関連論文リスト

• Partial Skeleton Visibility for Action Recognition: A Constrained Field-of-View Approach [60.596944437968524]
  partialVisGraphは、制約されたフィールド・オブ・ビューの下で、堅牢なスケルトンベースのアクション認識のための新しいフレームワークである。 部分的な可視性の下では、最先端の精度を一貫して達成し、厳しいFoV制限のあるサブセットでは68.8%まで上昇する。 提案手法は,非拘束環境下でのスケルトンに基づく行動理解を実現するための,原則的かつ実践的な経路を提供する。
  論文  参考訳（メタデータ） (2026-07-01T10:03:11Z)
• SonoCLIP: Mask-Guided Region-Aware Vision-Language Pretraining for Fetal Ultrasound Analysis [51.81845420301345]
  SonoCLIPは胎児超音波解析のための視覚言語基盤モデルである。 セグメンテーションマスクを視覚エンコーダ内にマスクチャネル視覚プロンプトとして組み込む。 グローバルおよびマスク誘導推論の両方において、ゼロショット転送性能に優れる。
  論文  参考訳（メタデータ） (2026-06-28T20:04:49Z)
• Beyond a Single Frame: Multi-Frame Spatially Grounded Reasoning Across Volumetric MRI [22.439797107933355]
  本稿では,容積MRIを用いたマルチフレーム空間的推論のためのベンチマークSGMRI-VQAを紹介する。 各QAペアは、フレームインデックス付きバウンディングボックス座標を持つクリニック整列チェーン・オブ・シントトレースを含む。 境界ボックスによるQwen3-VL-8Bの微調整により,強いゼロショットベースラインのグラウンド化性能が一貫して向上することを示す。
  論文  参考訳（メタデータ） (2026-04-17T08:06:39Z)
• MetaDent: Labeling Clinical Images for Vision-Language Models in Dentistry [32.93319761809706]
  VLM(Vision-Language Models)は、医用画像解析において重要な可能性を示している。 口内撮影におけるそれらの応用は、細粒度で注釈付きデータセットと包括的なベンチマークが欠如していることから、いまだほとんど探索されていない。 本稿では, 臨床, 公衆およびWebソースから収集した, 新規で大規模な歯科画像データセットを含む包括的リソースであるMetaDentについて紹介する。
  論文  参考訳（メタデータ） (2026-04-16T10:56:54Z)
• Can a Second-View Image Be a Language? Geometric and Semantic Cross-Modal Reasoning for X-ray Prohibited Item Detection [55.44671451998018]
  我々は、X線検査のための最初の総合的なベンチマークであるDualXrayBenchを紹介する。 本稿では,12カテゴリにまたがって,45,613対のデュアルビュー画像対からなるキャプションコーパスを紹介する。 本稿では,多モーダルモデルとして幾何学的(クロスビュー)-意味論的(クロスモーダル)共振器を提案する。
  論文  参考訳（メタデータ） (2025-11-23T10:25:24Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• STING-BEE: Towards Vision-Language Model for Real-World X-ray Baggage Security Inspection [43.69783848100359]
  STCrayは、21の脅威カテゴリにわたる46,642のイメージキャプチャペアスキャンからなる、最初のマルチモーダルX線バッグセキュリティデータセットである。 STCrayはドメインを意識したコヒーレントなキャプションを保証する特別なプロトコルで慎重に開発されています。 これにより、さまざまな視覚言語タスクをサポートするSTING-BEEという、ドメイン対応のビジュアルAIアシスタントをトレーニングすることができます。
  論文  参考訳（メタデータ） (2025-04-03T17:59:12Z)
• MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
  フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。 既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。 そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-15T13:08:59Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Severity Quantification and Lesion Localization of COVID-19 on CXR using Vision Transformer [25.144248675578286]
  世界的な新型コロナウイルス(covid-19)のパンデミックの中で、covid-19の重症度を定量化する自動化フレームワークの構築がますます重要になっている。 重症度と臨床応用可能な新型コロナウイルス関連病変の局在を定量化するための新しい視覚トランスフォーマを提案する。 我々のモデルは、弱い配列に基づくラベルから全確率マップを生成するために、弱教師付きで訓練されている。
  論文  参考訳（メタデータ） (2021-03-12T03:17:19Z)
• Synthesis of COVID-19 Chest X-rays using Unpaired Image-to-Image Translation [6.22964000148682]
  我々は、教師なしドメイン適応アプローチを用いて、新型コロナウイルスの胸部X線画像の最初のオープンデータセットを構築した。 各種ディープラーニングアーキテクチャを用いたCOVID-19検出では,大幅な性能向上が見られた。 公開されているベンチマークデータセットは、21,295の合成新型コロナウイルスの胸部X線画像で構成されています。
  論文  参考訳（メタデータ） (2020-10-20T13:37:40Z)

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。