論文の概要: XCT-SAM: Sequential Parameter-Efficient Domain Adaptation of SAM for Industrial XCT Defect Segmentation

• arxiv url: http://arxiv.org/abs/2607.14287v1
• Date: Wed, 15 Jul 2026 18:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.890058
• Title: XCT-SAM: Sequential Parameter-Efficient Domain Adaptation of SAM for Industrial XCT Defect Segmentation
• Title（参考訳）: XCT-SAM: 産業用XCT欠陥分割のためのSAMの逐次パラメータ効率の良いドメイン適応
• Abstract要約: AMXCT欠陥セグメント化のための逐次パラメータ効率適応フレームワークであるXCT-SAMを提案する。 まず,合金-マイクロ構造データセット上のConv-LoRAアダプタを微調整し,その後XCT画像に適応モデルを転送する。 我々は,市販のCycleGAN-XCTベンチマークと実世界のNIST XCTスキャンを用いてXCT-SAMを評価する。
• 参考スコア（独自算出の注目度）: 1.8376855632247695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Defect segmentation in additive manufacturing (AM) X-ray computed tomography (XCT) images remains challenging due to severe class imbalance and large distribution shifts across scan conditions. Although recent foundation models such as the Segment Anything Model (SAM) provide strong general-purpose segmentation priors, their natural-image pre-training transfers poorly to the AM XCT domain, where defects appear as subtle non-semantic microstructural anomalies. Moreover, adapting SAM to the AM domain is further limited by the large domain gap and scarcity of labeled real XCT data. We present XCT-SAM, a sequential parameter-efficient adaptation framework for AM XCT defect segmentation. Instead of adapting SAM directly from natural images to XCT data, we first fine-tune Conv-LoRA adapters on an alloy-microstructure dataset and subsequently transfer the adapted model to XCT images, progressively bridging the domain gap. Using Conv-LoRA adapters with rank r=2, the framework injects convolutional spatial inductive bias into SAM's backbone while training approximately 4.15M parameters and keeping over 99% of the model frozen. We evaluate XCT-SAM on out-of-distribution CycleGAN-XCT benchmarks and real-world NIST XCT scans. Across both settings, XCT-SAM consistently outperforms zero-shot SAM and other domain-adapted SAM baselines, achieving the best overall IoU and Dice scores. These results demonstrate the effectiveness of intermediate domain adaptation with parameter-efficient adapters for industrial XCT defect segmentation. The source code is publicly available at https://github.com/Mahedi-61/XCT-SAM.git
• Abstract（参考訳）: XCT画像における欠陥セグメンテーションは, 厳密なクラス不均衡とスキャン条件による大きな分布変化のため, 依然として困難である。 SAM(Segment Anything Model)のような最近の基礎モデルは、強力な汎用セグメンテーションを先導するが、それらの自然像の事前学習はAM XCTドメインに乏しく、欠陥は微妙な非意味的なミクロ構造異常として現れる。 さらに、AMドメインへのSAMの適応は、ラベル付き実XCTデータの大きな領域ギャップと不足により、さらに制限される。 AMXCT欠陥セグメント化のための逐次パラメータ効率適応フレームワークであるXCT-SAMを提案する。 SAMを自然画像からXCTデータに直接適応させる代わりに、まず合金-ミクロ構造データセット上のConv-LoRAアダプタを微調整し、その後XCT画像に適応モデルを転送し、ドメインギャップを段階的にブリッジする。 ランクr=2のConv-LoRAアダプタを使用することで、SAMのバックボーンに畳み込み空間誘導バイアスを注入し、約4.15Mパラメータをトレーニングし、モデルの99%以上を凍結させる。 我々は,市販のCycleGAN-XCTベンチマークと実世界のNIST XCTスキャンを用いてXCT-SAMを評価する。 両方の設定で、XCT-SAMはゼロショットSAMや他のドメイン適応SAMベースラインを一貫して上回り、全体的なIoUとDiceスコアを達成している。 これらの結果から, 工業用XCT欠陥セグメンテーション用パラメタ効率アダプタを用いた中間領域適応の有効性が示された。 ソースコードはhttps://github.com/Mahedi-61/XCT-SAM.gitで公開されている。

関連論文リスト

• MedSAM-based lung masking for multi-label chest X-ray classification [4.966368957620522]
  胸部X線画像(CXR)は肺疾患のスクリーニングと診断に広く用いられている。 肺領域抽出モジュールとしてMedSAMを統合したセグメンテーション誘導型CXR分類パイプラインを提案する。 実験により、MedSAMは様々な画像条件で解剖学的に可塑性の肺マスクを産生することが示された。
  論文  参考訳（メタデータ） (2025-12-28T21:56:41Z)
• Continual Alignment for SAM: Rethinking Foundation Models for Medical Image Segmentation in Continual Learning [42.22450978339022]
  医用画像のセグメンテーションにおいて、組織間の異種プライバシーポリシーは、しばしばプールされたデータセットで共同トレーニングを行うことができる。 Segment Anything Model (SAM)は強力なゼロショット前処理を提供するが、その大きなパラメータ数と計算オーバーヘッドは実際のデプロイに挑戦する。 本稿では,SAMパラダイムが計算効率と性能のバランスを保てば,高い期待を達成できることを実証する。
  論文  参考訳（メタデータ） (2025-11-21T12:27:49Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• SAM-DiffSR: Structure-Modulated Diffusion Model for Image Super-Resolution [46.85622647257876]
  本稿では,SAM-DiffSRモデルを提案する。このモデルでは,ノイズをサンプリングする過程において,SAMからの微細な構造情報を利用することで,推論時に追加の計算コストを伴わずに画像品質を向上させることができる。 DIV2Kデータセット上でPSNRの最大値で既存の拡散法を0.74dB以上越えることにより,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-27T01:57:02Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• SAMIHS: Adaptation of Segment Anything Model for Intracranial Hemorrhage Segmentation [18.867207134086193]
  脳梗塞診断と手術計画において,頭蓋内出血分節は重要かつ困難なステップである。 そこで我々は,脳内出血セグメンテーションのためのSAM-based parameter- efficient fine-tuning法(SAMIHS)を提案する。 2つの公開データセットに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T14:23:09Z)
• AdaptiveSAM: Towards Efficient Tuning of SAM for Surgical Scene Segmentation [49.59991322513561]
  本稿では,新しいデータセットに迅速かつ効率的に適応できるSegment-Anything(SAM)の適応的な修正を提案する。 AdaptiveSAMは、フリーフォームテキストをプロンプトとして使用し、ラベル名のみをプロンプトとして、興味のあるオブジェクトをセグメント化することができる。 実験の結果,AdaptiveSAMは様々な医用画像データセットの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-07T17:12:54Z)
• SAMConvex: Fast Discrete Optimization for CT Registration using Self-supervised Anatomical Embedding and Correlation Pyramid [31.8329828757104]
  特徴空間で計算されたコスト体積による変位ベクトル場の推定は,画像登録において大きな成功を収めた。 既存の特徴記述子は、グローバルな意味情報を表現できないローカル特徴のみを抽出する。 我々は,CT登録のための高速な粗い離散最適化手法SAMConvexを提案する。
  論文  参考訳（メタデータ） (2023-07-19T02:28:41Z)
• DeSAM: Decoupled Segment Anything Model for Generalizable Medical Image Segmentation [22.974876391669685]
  Segment Anything Model (SAM) は、医用画像セグメンテーションのクロスドメインロバスト性を改善する可能性を示している。 SAMは手動でトリガーする時よりも、自動セグメンテーションのシナリオで大幅にパフォーマンスが低下する。 Decoupled SAMはSAMのマスクデコーダを2つの新しいモジュールを導入して変更する。
  論文  参考訳（メタデータ） (2023-06-01T09:49:11Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Learning to Match Distributions for Domain Adaptation [116.14838935146004]
  本稿では,ドメイン間分布マッチングを自動的に学習する学習 to Match (L2M)を提案する。 L2Mは、メタネットワークを用いてデータ駆動方式で分布整合損失を学習することにより、誘導バイアスを低減する。 公開データセットの実験は、SOTA法よりもL2Mの方が優れていることを裏付けている。
  論文  参考訳（メタデータ） (2020-07-17T03:26:13Z)

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。