論文の概要: Compass: Degradation-Simulated Reciprocal Learning with Lightweight Needle RWKV for Multimodal Crack Segmentation under Missing Modalities

• arxiv url: http://arxiv.org/abs/2608.03559v1
• Date: Tue, 04 Aug 2026 12:27:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.185094
• Title: Compass: Degradation-Simulated Reciprocal Learning with Lightweight Needle RWKV for Multimodal Crack Segmentation under Missing Modalities
• Title（参考訳）: コンパス: 欠損モード下でのマルチモーダルき裂分割のための軽量ニードルRWKVを用いた劣化シミュレーション逆学習
• Authors: Hui Liu, Chen Jia, Fan Shi, Xu Cheng, Mianzhao Wang, Shengyong Chen,
• Abstract要約: 任意のモダリティを欠いた場合のき裂断面積分割のための軽量ネットワークを提案する。 コンパスは劣化蒸留(DSD)、針ブロック、証拠トポロジー保存核融合(ETPF)を含む。 深さの90%が欠落しているにもかかわらず、コンパスのF1は0.8216、mIoUは0.8434、パラメータは2.58Mである。
• 参考スコア（独自算出の注目度）: 36.93774494071781
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In multimodal crack segmentation for industrial facilities, the key challenge is preventing missing modalities from degrading pixel-level performance while maintaining low computational cost. Existing methods struggle to address semantic degradation caused by missing modalities. We propose Compass, a lightweight network for robust crack segmentation under arbitrary missing modalities. Compass comprises Degradation Simulation Distillation (DSD), Needle Block, and Evidential Topology-Preserving Fusion (ETPF). DSD constructs a degradation simulation stream that mimics more severe missing conditions and performs reciprocal distillation with the original stream, decoupling complete perception from degradation adaptation. Within DSD, Feature-Aware Prototype Transmitter (FAPT) performs modality agnostic prototype-guided feature completion to maintain semantic integrity under incomplete modality conditions. As a lightweight backbone, Needle injects crack-direction cues into WKV modulation and combines connectivity-aware gating with anisotropic context probing for structure-aware modeling. ETPF fuses multimodal features via Dempster-Shafer evidential combination with uncertainty-gated decoding, preserving crack topology while suppressing unreliable features. Experiments on three datasets demonstrate state-of-the-art (SOTA) performance under diverse missing modality scenarios. Even with 90\% depth modality missing on CrackDepth, Compass achieves F1 of 0.8216 and mIoU of 0.8434 with only 2.58M parameters. The code is available at https://github.com/Karl1109/Compass.
• Abstract（参考訳）: 産業施設におけるマルチモーダルクラックセグメンテーションでは,低計算コストを維持しながら画素レベルの性能低下を防止することが課題である。 既存の手法では、モダリティの欠如による意味の劣化に対処するのに苦労している。 任意のモダリティが欠如している場合のき裂分割のための軽量ネットワークであるCompassを提案する。 コンパスには、劣化シミュレーション蒸留(DSD)、ニードルブロック、証拠トポロジー保存核融合(ETPF)が含まれる。 DSDは、より深刻な不足条件を模倣し、元のストリームと相互蒸留を行い、劣化適応から完全な知覚を分離する分解シミュレーションストリームを構築する。 DSD内において、FAPT(Feature-Aware Prototype Transmitter)は、不完全なモダリティ条件下で意味的整合性を維持するために、モダリティに依存しないプロトタイプ誘導機能補完を実行する。 軽量なバックボーンとして、NeedleはWKV変調にひび割れ方向のキューを注入し、接続性を考慮したゲーティングと構造認識モデリングのための異方性コンテキスト探索を組み合わせた。 ETPFは、Dempster-Shaferの明示的な組み合わせと不確実なゲートデコードによってマルチモーダルな特徴を融合させ、信頼性の低い特徴を抑えながらクラックトポロジーを保存する。 3つのデータセットの実験では、さまざまなモダリティシナリオ下での最先端(SOTA)のパフォーマンスが示されている。 CrackDepthでは90 %の深さモードが欠落しているにもかかわらず、Compass は F1 の 0.8216 と mIoU の 0.8434 をわずか 2.58M のパラメータで達成している。 コードはhttps://github.com/Karl1109/Compass.comから入手できる。

関連論文リスト

• Neptuna: A Comprehensive Machine Learning Framework for Benchmarking Complex Multiphase Flows [0.0]
  衝撃駆動型圧縮性多相流に特化して設計された,最初の大規模ベンチマークを紹介する。 このベンチマークは、衝撃によるバブル崩壊と液滴の崩壊を特徴とする、2.4TBの高忠実度2Dおよび3Dデータセットで構成されている。 ベンチマークフレームワークであるNeptuna上で,多様なサロゲートモデルファミリーを評価した。
  論文  参考訳（メタデータ） (2026-07-24T13:20:01Z)
• Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models [71.59431204970339]
  STORMは空間対応のトークン還元フレームワークである。 空間単位上の構造演算に還元を再構成する。 様々なビジョンのMambaバックボーンにまたがって最先端のプルーニング精度を実現する。
  論文  参考訳（メタデータ） (2026-06-18T08:31:11Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• SCRWKV: Ultra-Compact Structure-Calibrated Vision-RWKV for Topological Crack Segmentation [36.61448234263959]
  SCRWKV(Ultra-Compact Structure-Calibrated Vision RWKV)を提案する。 このネットワークは、線形複雑性を維持しながら、新しいStructure-Fieldバックボーンを介して高精度なモデリングを実現する。 SCRWKVは1.22Mのパラメータしか持たないが,SOTA法では著しく優れていた。
  論文  参考訳（メタデータ） (2026-05-14T15:01:22Z)
• Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
  オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。 本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。 我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
  論文  参考訳（メタデータ） (2025-12-11T12:20:31Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• 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)

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。