論文の概要: Learning from Adversity: Semantic-Aware Mask Refinement through Adversarial Perturbation

• arxiv url: http://arxiv.org/abs/2607.29059v1
• Date: Fri, 31 Jul 2026 06:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.634967
• Title: Learning from Adversity: Semantic-Aware Mask Refinement through Adversarial Perturbation
• Title（参考訳）: 逆境からの学習: 対向的摂動による意味論的マスクの微細化
• Abstract要約: Phoenixは、敵対的学習を活用して意味論的に意味のある雑音パターンを生成する新しいフレームワークである。 提案手法は,(1)実際のセグメンテーションエラーを模倣するセマンティック・アウェア・ノイズを生成するために埋め込み攻撃を利用するアドリアマスク摂動と,(2)セマンティック領域内の特徴整合性を保証する三方向フレームワークを確立するコントラシブマスク再分極学習の2つの主要な革新から成り立っている。
• 参考スコア（独自算出の注目度）: 56.11837114317144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite significant advances in image segmentation, even state-of-the-art models produce masks with imperfect boundaries, semantic inconsistencies, and structural errors. Mask refinement addresses these limitations, yet current approaches rely on simplistic synthetic noise that fails to capture the complex error patterns of real segmentation models. We introduce Phoenix, a novel framework that leverages adversarial learning to generate semantically meaningful noise patterns and contrastive learning to model refinement relationships. Our approach consists of two key innovations: (1) Adversarial Mask Perturbation, which employs embedding attacks to create semantic-aware noise that mimics real segmentation errors, and (2) Contrastive Mask Refinement Learning, which establishes a tri-directional framework that ensures feature consistency within semantic regions while maintaining separation between classes. Experiments demonstrate that Phoenix significantly outperforms existing methods across diverse tasks, while consistently enhancing state-of-the-art segmentation models with substantial improvements. Our code and project page are publicly available at https://phoenix-eccv26.github.io.
• Abstract（参考訳）: 画像セグメンテーションの大幅な進歩にもかかわらず、最先端のモデルでさえ、不完全な境界、意味的不整合、構造的誤りを持つマスクを生成する。 マスクの改良はこれらの制限に対処するが、現在のアプローチは、実際のセグメンテーションモデルの複雑なエラーパターンを捉えるのに失敗する単純な合成ノイズに依存している。 Phoenixは、敵対的学習を利用して意味的に意味のあるノイズパターンを生成し、対照的な学習を行い、洗練された関係をモデル化する新しいフレームワークである。 提案手法は,(1)現実のセグメンテーションエラーを模倣するセマンティック・アウェア・ノイズを生成するために組込み攻撃を利用する適応マスク摂動,(2)クラス間の分離を維持しながらセマンティック領域内の特徴整合性を保証する三方向フレームワークを確立するコントラシブマスク再分極学習,の2つの主要な革新から成り立っている。 実験の結果、フェニックスは様々なタスクで既存の手法を著しく上回り、最先端のセグメンテーションモデルを継続的に改善した。 私たちのコードとプロジェクトページはhttps://phoenix-eccv26.github.io.comで公開されています。

関連論文リスト

• Where Does Generative Difficulty Reside? An Empirical Study of Target Representations [62.54876287800644]
  ターゲット表現は、イメージジェネレータが学ぶ必要がある分布を定義するが、しばしば交換可能なインターフェースとして扱われる。 マスク付き自己回帰整流モデルにおいて,生画素,SD-VAE潜伏剤,DINOv2,MAE表現-オートエンコーダの特徴について検討した。 その結果, 圧縮, 再構成忠実度, トークン次元, 可視的セマンティッククラスタリングは生成挙動を個別に予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-01T12:32:31Z)
• Structured-Noise Masked Modeling for Video, Audio and Beyond [74.6545360752605]
  本稿では,映像・音声データの空間的特性,時間的特性,スペクトル特性と自然に一致させる,構造的ノイズに基づくマスキングを提案する。 提案手法は,計算オーバーヘッドを伴わずに,マスク付きビデオ・オーディオ・モデリング・フレームワークの性能を向上させる。
  論文  参考訳（メタデータ） (2025-03-20T16:34:14Z)
• Masked Image Modeling Boosting Semi-Supervised Semantic Segmentation [38.55611683982936]
  クラスごとに異なる画像領域を独立に再構成する新しいクラスワイド・マスク画像モデリングを提案する。 我々は,同一クラス内のマスキングと可視部分に対応する特徴間の距離を最小化する特徴集約戦略を開発する。 セマンティック空間において、正規化を強化するマスク付き画像モデリングの適用について検討する。
  論文  参考訳（メタデータ） (2024-11-13T16:42:07Z)
• Open-Vocabulary Segmentation with Unpaired Mask-Text Supervision [87.15580604023555]
  Unpair-Segは、弱制御されたオープン語彙セグメンテーションフレームワークである。 未ペア画像マスクと画像テキストペアから学習し、独立して効率的に収集することができる。 ADE-847とPASCAL Context-459データセットで14.6%と19.5%のmIoUを達成した。
  論文  参考訳（メタデータ） (2024-02-14T06:01:44Z)
• A Simple Latent Diffusion Approach for Panoptic Segmentation and Mask Inpainting [2.7563282688229664]
  この研究は安定拡散の上に構築され、汎視的セグメンテーションに対する潜時拡散アプローチを提案する。 トレーニングは,(1)部分分割マスクを潜伏空間に投影する浅層オートエンコーダの訓練,(2)潜伏空間における画像条件付きサンプリングを可能にする拡散モデルの訓練,の2段階からなる。
  論文  参考訳（メタデータ） (2024-01-18T18:59:19Z)
• Mask2Anomaly: Mask Transformer for Universal Open-set Segmentation [29.43462426812185]
  本稿では,画素単位の分類からマスク分類へのシフトによるパラダイム変化を提案する。 マスクをベースとしたMask2Anomalyは,マスク分類アーキテクチャの統合の可能性を示した。 総合的質的・質的評価により, Mask2Anomaly は新たな最先端結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-08T20:07:18Z)
• Denoising Diffusion Semantic Segmentation with Mask Prior Modeling [61.73352242029671]
  本稿では,従来の識別的アプローチのセマンティックセグメンテーション品質を,デノナイズ拡散生成モデルでモデル化したマスクを用いて改善することを提案する。 市販セグメンタを用いた先行モデルの評価を行い,ADE20KとCityscapesの実験結果から,本手法が競争力のある定量的性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-06-02T17:47:01Z)
• Stare at What You See: Masked Image Modeling without Reconstruction [154.74533119863864]
  Masked Autoencoders (MAE) は、大規模な視覚表現事前学習のパラダイムとして広く普及している。 近年の手法では, 画像特徴を再構成対象として抽出するために, セマンティック・リッチな教師モデルが適用されており, 性能が向上している。 強力な教師モデルによって抽出された特徴は、画像中の領域間のリッチなセマンティックな相関を既にエンコードしていると論じる。
  論文  参考訳（メタデータ） (2022-11-16T12:48:52Z)
• ContrastMask: Contrastive Learning to Segment Every Thing [18.265503138997794]
  ContrastMaskを提案する。これは、目に見えないカテゴリと見えないカテゴリの両方でマスクセグメンテーションモデルを学ぶ。 仮面地域(地上)の特徴をまとめ、背景の特徴と対比する。 COCOデータセットの探索実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-18T07:41:48Z)

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。