論文の概要: PGE-SAM: Prompt-Guided Feature Enhancement for Interactive Segmentation under Degradation
- arxiv url: http://arxiv.org/abs/2606.30477v1
- Date: Mon, 29 Jun 2026 15:37:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.318223
- Title: PGE-SAM: Prompt-Guided Feature Enhancement for Interactive Segmentation under Degradation
- Title（参考訳）: PGE-SAM: 劣化下での対話的セグメンテーションのためのプロンプトガイド機能強化
- Abstract要約: Segment Anything Model (SAM) は、強力なゼロショット一般化を伴う高速画像分割に革命をもたらした。
既存の手法では、セグメント化関連領域に注目することなく、機能をグローバルに復元する。
本稿では,Prompt-Guided Feature Enhancement SAM (PGE-SAM)を提案する。
- 参考スコア（独自算出の注目度）: 3.769829978199937
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Segment Anything Model (SAM) has revolutionized promptable image segmentation with strong zero-shot generalization. However, its performance degrades substantially under real-world imaging artifacts such as noise, blur, and compression. Existing methods restore features globally without focusing on segmentation-relevant regions and neglect SAM's iterative refinement mechanism, leading to suboptimal performance in interactive settings. We propose Prompt-Guided Feature Enhancement SAM (PGE-SAM), a framework that explicitly leverages user prompts and prior mask predictions to spatially guide the feature restoration process toward regions of interest through a Prompt Guidance Generator. To recover fine-grained details lost under degradation, we introduce Multi-Scale Features Interaction to incorporate low-level encoder features, along with a Foreground Reconstruction Loss that restricts feature-level supervision to the segmentation target. Furthermore, we present DM-Seg, a benchmark for interactive segmentation on degraded medical images, spanning multiple imaging modalities with both general and modality-specific degradations at varying severity levels. Extensive experiments demonstrate that PGE-SAM achieves SOTA robustness on both medical and natural image domains across multiple degradation levels, while maintaining generalization to clean images and adding less than one-fifth of the parameters of prior methods.
- Abstract（参考訳）: Segment Anything Model (SAM) は、強力なゼロショット一般化を伴う高速画像分割に革命をもたらした。
しかし、その性能は、ノイズ、ぼかし、圧縮などの実世界のイメージングアーティファクトで著しく劣化する。
既存の手法では,セグメント化関連領域に注目せず,SAMの反復的改善機構を無視することで,インタラクティブな環境下での準最適性能を実現している。
本稿では,Prompt-Guided Feature Enhancement SAM (PGE-SAM) を提案する。PGE-SAMは,ユーザのプロンプトと事前マスク予測を明示的に活用し,Prompt Guidance Generator を通じて特徴回復プロセスを関心のある領域に向けて空間的にガイドするフレームワークである。
低レベルのエンコーダ機能と,セグメンテーション対象に対する特徴レベルの監督を制限するフォアグラウンドリコンストラクションロスを組み込んだマルチスケール機能インタラクションを導入する。
さらに、劣化した医用画像の対話的セグメンテーションのベンチマークであるDM-Segを、様々な重度レベルにおいて、一般的な画像とモダリティ固有の劣化の両方にまたがる複数の画像モダリティにまたがる。
広汎な実験により,PGE-SAMは,複数の劣化レベルにわたる医用画像領域と自然画像領域の両方でSOTAロバスト性を達成し,クリーンな画像への一般化を維持し,従来の手法のパラメータの5分の1以下を付加した。
関連論文リスト
- Towards Any-Quality Image Segmentation via Generative and Adaptive Latent Space Enhancement [27.566673104431725]
Segment Anything Models (SAM) は例外的なゼロショットセグメンテーション性能で知られている。
しかし、その性能は著しく劣化した低品質の画像に対して著しく低下し、現実のシナリオではその効果が制限される。
低画質画像におけるロバスト性を高めるために生成遅延空間拡張を利用するGleSAM++を提案する。
論文 参考訳（メタデータ） (2026-01-05T11:28:58Z) - Degradation-Aware Metric Prompting for Hyperspectral Image Restoration [20.8230102672152]
ハイパースペクトル画像の復元を支援するためのDAMP(Degradation-Aware Metric Prompting)フレームワークを提案する。
事前定義された劣化先行値に頼るのではなく、連続的に劣化を定量化するために空間スペクトル劣化指標を設計する。
このフレームワークは、多種多様、混合的、あるいは目に見えない劣化の下で適応的、効率的、堅牢な復元を可能にする。
論文 参考訳（メタデータ） (2025-12-23T11:05:36Z) - ClusIR: Towards Cluster-Guided All-in-One Image Restoration [72.16989784735796]
ClusIRは、統一されたフレームワーク内でさまざまな劣化から高品質なイメージを復元することを目的としている。
ClusIRは、確率的クラスタ誘導ルーティング機構(PCGRM)と劣化対応周波数変調モジュール(DAFMM)の2つの重要なコンポーネントから構成される。
論文 参考訳（メタデータ） (2025-12-11T18:59:47Z) - Learning to Restore Multi-Degraded Images via Ingredient Decoupling and Task-Aware Path Adaptation [51.10017611491389]
現実のイメージは、雨、騒音、ヘイズのような複数の共存する劣化に悩まされることが多い。
本稿では, 劣化成分の分解表現を利用して, 画像の再構成を行う適応型多重劣化画像復元ネットワークを提案する。
その結果、IMDNetと呼ばれる密に統合されたアーキテクチャは、実験を通じて広範囲に検証されている。
論文 参考訳（メタデータ） (2025-11-07T01:50:36Z) - BALR-SAM: Boundary-Aware Low-Rank Adaptation of SAM for Resource-Efficient Medical Image Segmentation [11.634558989215392]
Segment Anything Model (SAM)のようなビジョン基盤モデルは、ドメイン固有の適応が欠如しているため、しばしば医療画像のセグメンテーションに苦労する。
医療画像のSAMを強化する境界対応低ランク適応フレームワークであるBALR-SAMを提案する。
2) SAMのVision Transformerブロックに組み込まれた低ランクのアダプタは、医学的コンテキストにおける特徴表現と注意を最適化し、同時にパラメータ空間を著しく削減する。
論文 参考訳（メタデータ） (2025-09-29T02:36:09Z) - UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。
階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。
我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
論文 参考訳（メタデータ） (2025-09-19T17:29:25Z) - TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
本稿では,医用画像分割フレームワークTAB Netを提案する。
三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。
我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-07-03T07:50:00Z) - Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。
我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。
このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
論文 参考訳（メタデータ） (2025-05-24T12:52:10Z) - Segment Any-Quality Images with Generative Latent Space Enhancement [23.05638803781018]
低画質画像のロバスト性を高めるため,GleSAMを提案する。
潜伏拡散の概念をSAMベースのセグメンテーションフレームワークに適用する。
また,事前学習した拡散モデルとセグメンテーションフレームワークとの互換性を改善するための2つの手法を導入する。
論文 参考訳（メタデータ） (2025-03-16T13:58:13Z) - Feature Alignment with Equivariant Convolutions for Burst Image Super-Resolution [52.55429225242423]
本稿では,同変畳み込みに基づくアライメントを特徴とするBurst Image Super-Resolution (BISR) のための新しいフレームワークを提案する。
これにより、アライメント変換は画像領域の明示的な監督を通じて学習でき、特徴領域に容易に適用できる。
BISRベンチマークの実験は、定量的メトリクスと視覚的品質の両方において、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2025-03-11T11:13:10Z) - Semantic Attention and Scale Complementary Network for Instance
Segmentation in Remote Sensing Images [54.08240004593062]
本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。
SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。
SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
論文 参考訳（メタデータ） (2021-07-25T08:53:59Z)
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。