論文の概要: TACoS: Weakly Supervised Learning of Two-Dimensional Materials from Scribble Annotations to Precise Segmentation

• arxiv url: http://arxiv.org/abs/2607.07169v1
• Date: Wed, 08 Jul 2026 09:02:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.327098
• Title: TACoS: Weakly Supervised Learning of Two-Dimensional Materials from Scribble Annotations to Precise Segmentation
• Title（参考訳）: TACoS:スクリブルアノテーションから精密セグメンテーションへの2次元教材の学習
• Authors: Jiabei Chen, Liping Zhang, Jiang-Bin Wu, Zhongming Wei, Enhao Ning, Su Yan, Weijun Li, Ping-Heng Tan, Xin Ning,
• Abstract要約: TACoSは2D素材用に設計された特殊なセグメンテーションフレームワークである。 半教師付き整合学習と構造木エネルギーの制約を統合する。 0.6%以下の注釈付きデータを使用して、完全な教師付きパフォーマンスの96%以上を達成する。
• 参考スコア（独自算出の注目度）: 10.511271973672628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The precise pixel-level localization of 2D material flakes is crucial for high-throughput screening. However, traditional fully supervised methods rely on dense annotations, which are costly and time-consuming, severely limiting the practical deployment of segmentation models. This paper proposes TACoS, a specialized scribble segmentation framework tailored for 2D materials. First, we design a unified framework that integrates semi-supervised consistency learning with structured tree energy constraints. This framework comprises two core components: an unlabeled weak-strong distribution alignment module and a tree energy regularization module. The former employs cosine consistency constraints to enhance prediction alignment across views. Meanwhile, the latter utilizes minimum spanning trees to establish pixel affinity relationships and generate structure-aware soft pseudo labels for online semantic guidance. Next, we introduce asymmetric regional contrast learning. This approach fuses high-confidence predictions from the weak augmentation branch with scribbles to form augmented labels, and construct category prototypes in the representation space. Simultaneously, we prioritize contrastive constraints on challenging pixels in boundary-unlabeled regions. This strategy enhances intra-class cohesion and inter-class separation at the representation level, effectively reducing category confusion in low-contrast edges and complex backgrounds. Experiments conducted on the constructed graphene and MoS2 datasets demonstrate that our method TACoS achieves over 96% of fully supervised performance using less than 0.6% annotated data. Furthermore, it exhibits superior structural coherence and boundary stability in scenarios with weakly contrasting edges and complex backgrounds, providing an efficient and scalable solution for automated high-throughput screening of 2D material flakes.
• Abstract（参考訳）: 2次元材料フランキの高精度な画素レベルの局在化は、高スループットスクリーニングに不可欠である。 しかし、従来の完全教師付き手法は、高コストで時間を要する高密度アノテーションに依存しており、セグメンテーションモデルの実践的な展開を著しく制限している。 本稿では,2次元材料に適した特殊スクリブルセグメンテーションフレームワークTACoSを提案する。 まず、半教師付き整合学習と構造木エネルギーの制約を統合する統合フレームワークを設計する。 本フレームワークは、未ラベルの弱強度分布アライメントモジュールとツリーエネルギー正規化モジュールの2つのコアコンポーネントから構成される。 前者は、ビュー間の予測アライメントを強化するために、コサイン一貫性の制約を使用している。 一方,後者は最小スパンニング木を用いて画素親和関係を確立し,オンライン意味指導のための構造認識型擬似ラベルを生成する。 次に、非対称な地域コントラスト学習を導入する。 このアプローチは、弱い拡張分岐からの高信頼度予測をスクリブルで融合させ、拡張ラベルを形成し、表現空間におけるカテゴリプロトタイプを構築する。 同時に、境界未ラベル領域における挑戦画素に対するコントラスト制約を優先する。 この戦略は、クラス内凝集とクラス間分離を表現レベルで促進し、低コントラストエッジと複雑な背景のカテゴリ混乱を効果的に軽減する。 構築したグラフェンおよびMoS2データセットを用いて行った実験により, TACoSは0.6%以下の注釈付きデータを用いて, 完全教師付き性能の96%以上を達成することが示された。 さらに、エッジと複雑な背景の弱いシナリオでは、より優れた構造的コヒーレンスと境界安定性を示し、2次元材料フレークの自動ハイスループットスクリーニングのための効率的でスケーラブルなソリューションを提供する。

関連論文リスト

• Sharpening Lightweight Models for Generalized Polyp Segmentation: A Boundary Guided Distillation from Foundation Models [5.836991649815995]
  ポリープセグメンテーションは早期大腸癌の検出とその予防に重要であるが、境界が弱いこと、外観の変化が大きく、注釈付きデータに制限があるため、依然として困難である。 複数のビジョンモデルからコンパクトなセグメンテーションバックボーンへ意味的および構造的事前を転送するフレームワークである LiteBounD を提案する。 LiteBounDは、最先端の手法と競合する大きなマージンとパフォーマンスで、軽量のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-20T06:25:06Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• Both Semantics and Reconstruction Matter: Making Representation Encoders Ready for Text-to-Image Generation and Editing [62.94394079771687]
  急成長する傾向は、表現エンコーダの高次元特徴を生成的潜伏剤として採用することである。 生成タスクに理解指向のエンコーダ機能を適用するための体系的フレームワークを提案する。 提案手法は,テキスト・トゥ・イメージ(T2I)と画像編集タスクにおいて,最先端の再構築,収束の高速化,大幅な性能向上を実現する。
  論文  参考訳（メタデータ） (2025-12-19T18:59:57Z)
• IAR2: Improving Autoregressive Visual Generation with Semantic-Detail Associated Token Prediction [77.06211178777939]
  IAR2は、階層的なセマンティックディーテール合成プロセスを可能にする高度な自己回帰フレームワークである。 我々は、IAR2が自動回帰画像生成のための新しい最先端技術を設定し、ImageNet上で1.50のFIDを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T12:08:21Z)
• BoundMatch: Boundary detection applied to semi-supervised segmentation [12.8995997687175]
  半教師付きセマンティックセマンティックセグメンテーション(SS-SS)は,多彩なラベル付き画像を活用することで,高密度画素ラベリングの重いアノテーション負担を軽減することを目的としている。 本稿では,意味境界検出を教師と学生の整合性正規化パイプラインに明示的に統合する,新しいマルチタスクSS-SSフレームワークであるBoundMatchを提案する。 境界一貫性規則化マルチタスク学習(Bundary Consistency Regularized Multi-Task Learning)は,セグメンテーションマスクと詳細なセグメンテーション境界において,教師と生徒のモデル間の予測合意を強制する。
  論文  参考訳（メタデータ） (2025-03-30T17:02:26Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
  合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2023-11-27T07:57:29Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。