論文の概要: SADe: Sparse-Atom Support Decontamination for Few-Shot Segmentation with Weak Support Annotations

• arxiv url: http://arxiv.org/abs/2607.24706v2
• Date: Wed, 29 Jul 2026 04:55:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 14:21:10.714762
• Title: SADe: Sparse-Atom Support Decontamination for Few-Shot Segmentation with Weak Support Annotations
• Title（参考訳）: SADe: 弱サポートアノテーション付きFew-ShotセグメンテーションのためのスパースAtomサポートの除染
• Abstract要約: SADeは、クエリ情報なしで選択されたサポートパッチの信頼性を推定する予測器に依存しないレイヤである。 軽量ルータは、原子の証拠と密接な類似性とエピソード統計を組み合わせることで、パッチの信頼性を予測する。 SADeは9つのスタンドアローンのプロンプトショットの組み合わせのうち6つで最も高いクエリmIoUを達成している。
• 参考スコア（独自算出の注目度）: 6.311680136485866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot segmentation (FSS) commonly assumes clean pixel-level support masks, yet practical support supervision often uses boxes, scribbles, coarse masks, or pseudo-masks. These weak annotations may include texture-similar distractors and background context alongside the target, contaminating class prototypes or visual prompts before query prediction. We introduce SADe, a predictor-agnostic support decontamination layer that estimates the reliability of selected support patches without query information. Central to SADe is sparse autoencoder (SAE) atom evidence: dense similarity may respond to both target and texture-similar context, whereas contrasting atom activations inside and outside the weak-support region provides factor-level reliability cues. A lightweight router combines atom evidence with dense similarity and episode statistics to predict patch reliability and generate a cleaned support mask. Trained once on synthetic weak-support episodes from FSS-1000, the router is frozen for all target evaluations. The resulting mask supports standalone prediction or can be supplied to heterogeneous FSS models through native support interfaces without altering query-side inference. Under a matched weak-support protocol, SADe achieves the highest query mIoU in six of nine standalone prompt-shot combinations. With the same ProMi query head, it is within 0.03 mIoU of SAM3-derived masks under tight boxes and surpasses them by 11.17 and 19.49 points under box-r2 and box-r4, respectively. As a plug-in, SADe improves over raw support in 70 of 72 matched box-family comparisons across four frozen downstream models and two datasets. On point and scribble prompts, its average performance remains close to the corresponding raw-support baseline. Ablations and atom-removal controls show that atom evidence contributes reliability information beyond dense similarity.
• Abstract（参考訳）: Few-shot segmentation (FSS) は通常、クリーンなピクセルレベルのサポートマスクを前提としているが、現実的なサポート監視では、箱、スクリブル、粗いマスク、または擬似マスクを使用することが多い。 これらの弱いアノテーションには、テクスチャ類似のインタプリタや、ターゲットの横にある背景コンテキストが含まれ、クエリ予測の前にクラスプロトタイプやビジュアルプロンプトを汚染する。 我々は,クエリ情報なしで選択したサポートパッチの信頼性を推定する,予測型サポート非汚染層であるSADeを紹介する。 SADeの中心はスパースオートエンコーダ(SAE)の原子の証拠である: 密接な類似性は標的とテクスチャ類似の文脈の両方に反応するが、弱い支持領域内と外側の原子の活性化は因子レベルの信頼性をもたらす。 軽量ルータは、原子証拠と密接な類似性とエピソード統計を組み合わせることで、パッチの信頼性を予測し、クリーンなサポートマスクを生成する。 FSS-1000の合成弱サポートエピソードで一度訓練されたルータは、すべての目標評価のために凍結される。 結果のマスクはスタンドアロンの予測をサポートするか、クエリ側推論を変更することなく、ネイティブサポートインターフェイスを通じて異種FSSモデルに供給することができる。 マッチした弱いサポートプロトコルの下では、SADeは9つのスタンドアロンのプロンプトとショットの組み合わせのうち6つの最も高いクエリmIoUを達成する。 同じProMiクエリヘッドでは、SAM3由来のマスクをタイトなボックスで0.03mIoUの範囲内にあり、ボックス-r2とボックス-r4でそれぞれ11.17および19.49ポイントを超える。 プラグインとして、SADeは4つのフリーズダウンストリームモデルと2つのデータセットに対して、72のマッチしたボックスファミリー比較のうち70の生サポートよりも改善されている。 ポイントとスクリブルのプロンプトでは、その平均性能は対応する生サポートベースラインに近いままである。 アブレーションと原子除去制御は、原子の証拠が密接な類似性を超えた信頼性情報に寄与していることを示している。

関連論文リスト

• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• What Pixels Are Enough? SEAMS: Sufficiency Saliency via MSE-Preservation Soft-Masks [7.6344209680112485]
  保存目的を用いてソフトマスクを直接最適化する充足型サリエンシ法SEAMSを紹介する。 それは、ソフトマスク、学習可能な予算、および3方向画像合成に基づく単純な最適化フレームワークに依存している。 凍結したViT-S/16とConvNeXtモデルによる実験は、同じ最適化パイプラインがオブジェクトレベル、クラス条件、トークンレベルの説明を生成することを示した。
  論文  参考訳（メタデータ） (2026-07-10T07:41:13Z)
• RUFNet: Query-Guided Support Mask Refinement and Uncertainty Fusion based on Hybrid Mamba for Few-Shot Brain Tumor Segmentation [3.8391338136676807]
  RUFNetはHybrid Mambaベースのマルチショットフレームワークで、サポートマスクの改良と不確実性を認識した後部核融合を組み合わせたものである。 Brain tumor Challenge (BraTS) データセットでは、RUFNet は 1-way 1-shot と 1-way 5-shot でそれぞれ 84.3% と 86.1% のDice係数を達成している。
  論文  参考訳（メタデータ） (2026-07-06T13:16:51Z)
• ARTEMIS: Agent-guided Reliability-aware Temporal Mask Evolution for Imperfectly Supervised Video Polyp Segmentation [17.166331884648915]
  ARTEMISは、不完全な教師付きビデオポリプセグメンテーションのための統一されたフレームワークである。 エージェント誘導型信頼性を考慮した時間マスクの進化によって駆動される。 SUN-SEGとCVC-ClinicDB-612のスクリブル、ポイント、リミテッドラベル設定による実験は、ARTEMISが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-06-18T12:27:39Z)
• MaskForge: Structure-Aware Adaptive Attacks for Jailbreaking Diffusion Large Language Models [53.05463623673949]
  MaskForgeは完全にブラックボックス対応の攻撃で、構造パターンのライブラリを最適化した検索としてdLLMのレッドチームを実行する。 攻撃成功率は79.3%であり、最強のdLLMベースラインよりも17.6%向上している。
  論文  参考訳（メタデータ） (2026-06-01T18:10:21Z)
• StructSAM: Structure- and Spectrum-Preserving Token Merging for Segment Anything Models [57.674757786328236]
  StructSAMは、Segment Anything Model(SAM)に適した解像度保存型マージアンマージフレームワークである また,StructSAMはエンコーダFLOPsを25～30%削減し,mIoU/Diceに少量の低下を認めた。 また、スペクトルグラフ粗大化ビューでは、スコア誘導マージにより、ランダムまたはウィンドウ制限ベースラインと比較して、ラプラシアスペクトル歪みが有界となることを示す。
  論文  参考訳（メタデータ） (2026-03-07T18:30:58Z)
• SpatialBench-UC: Uncertainty-Aware Evaluation of Spatial Prompt Following in Text-to-Image Generation [0.0]
  SpaceBench-UCは、ペアの空間関係を再現可能な小さなベンチマークである。 ベンチマークパッケージ、バージョン付きプロンプト、ピン付き構成、サンプルごとのチェッカー出力、レポートテーブルをリリースします。 安定拡散1.5, SD 1.5 BoxDiff, SD 1.4 GLIGENの3つのベースラインについて検討した。
  論文  参考訳（メタデータ） (2026-01-19T23:37:10Z)
• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Dense Affinity Matching for Few-Shot Segmentation [83.65203917246745]
  Few-Shot (FSS) は、新しいクラスイメージをいくつかのサンプルで分割することを目的としている。 本稿では,サポートクエリ間の相互作用を生かした密接な親和性マッチングフレームワークを提案する。 我々のフレームワークは0.68万のパラメータしか持たない異なる設定で非常に競争力のある性能を示す。
  論文  参考訳（メタデータ） (2023-07-17T12:27:15Z)
• Searching Central Difference Convolutional Networks for Face Anti-Spoofing [68.77468465774267]
  顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。 最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。 ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
  論文  参考訳（メタデータ） (2020-03-09T12:48:37Z)

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。