論文の概要: Enhancing Visual Domain Robustness in Behaviour Cloning via Saliency-Guided Augmentation
- arxiv url: http://arxiv.org/abs/2608.11870v1
- Date: Wed, 12 Aug 2026 09:55:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.547177
- Title: Enhancing Visual Domain Robustness in Behaviour Cloning via Saliency-Guided Augmentation
- Title（参考訳）: ビヘイビアクローニングにおける視覚領域のロバスト性向上
- Abstract要約: 視覚をベースとしたBCに特化したスーパーイメーションファミリー内でのサリエンシ誘導増強法であるRoboGAを紹介する。
ポリシー駆動型唾液度を用いて画素レベルでの増量強度を調整し、タスク非関連領域での積極的な増量を可能にする。
構造的な変更や追加の学習目的を必要とせずに、既存のアーキテクチャにシームレスに統合する。
- 参考スコア（独自算出の注目度）: 13.403001931520542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In vision-based behavior cloning (BC), conventional image augmentations such as Random Crop and Color Jitter often fall short under substantial visual domain shifts, including changes in shadows, distractors, and backgrounds. Superimposition-based augmentations, which blend in-domain and out-of-domain images, have shown promise for improving generalization in computer vision, but their suitability for BC remains uncertain because task-critical semantics, spatiotemporal relationships, and agent-target interactions must be preserved. To address this, we introduce RoboSaGA, a Saliency-Guided Augmentation method within the superimposition family tailored for vision-based BC. RoboSaGA dynamically adjusts augmentation intensity at the pixel level using policy-driven saliency, enabling aggressive augmentation in task-irrelevant regions while preserving task-critical information. It integrates seamlessly into existing architectures without requiring structural modifications or additional learning objectives. Experiments in both simulated and real-world settings show that RoboSaGA preserves in-domain performance while substantially improving robustness to visual domain shifts, including distractor and background changes, as well as lighting and shadow variations. Code is available at https://github.com/Zheyu-Zhuang/RoboSaGA.
- Abstract（参考訳）: 視覚に基づく行動クローニング(BC)では、ランダムクロップやカラージッターのような従来の画像拡張は、シャドー、イントラクタ、背景など、視覚領域のかなりのシフトによって不足することが多い。
ドメイン内イメージとドメイン外イメージを融合した重ね合わせベースの拡張は、コンピュータビジョンにおける一般化を改善するという約束を示しているが、タスククリティカルなセマンティクス、時空間関係、エージェントとターゲットの相互作用を保存しなければならないため、BCに対するそれらの適合性は依然として不確実である。
この問題に対処するために,視覚ベースのBCに適したスーパーイメーションファミリー内に,Saliency-Guided Augmentation法であるRoboSaGAを紹介した。
RoboSaGAはポリシー駆動のサリエンシを用いて画素レベルでの増強強度を動的に調整し、タスククリティカル情報を保持しながらタスク非関連領域での積極的な増強を可能にする。
構造的な変更や追加の学習目的を必要とせずに、既存のアーキテクチャにシームレスに統合する。
シミュレーションと実世界の両方の環境での実験では、RoboSaGAはドメイン内のパフォーマンスを保ちながら、イントラクタやバックグラウンドの変更、ライティングやシャドーのバリエーションなど、視覚的なドメインシフトに対するロバスト性を大幅に改善している。
コードはhttps://github.com/Zheyu-Zhuang/RoboSaGAで入手できる。
関連論文リスト
- SplatCtrl: Perception-Action Coupling via Gaussian Scene Representations and Reactive Robot Control [14.952269223197751]
本稿では,リアルタイムシーン再構成とリアクティブロボットモーション生成のための統合フレームワークであるSplatCtrlを提案する。
3次元ガウススプラッティング(3D-GS)を基盤として,ハイブリッドなボクセルフィルタと動的ガウス転位戦略を導入する。
安全かつ反応性の高い制御のために,等方的ガウス関数から連続符号付き距離関数を導出する手法を提案する。
論文 参考訳（メタデータ） (2026-07-09T21:18:39Z) - Granular-ball Guided Masking: Structure-aware Data Augmentation [97.18560547134587]
Granular-ball Guided Masking (GBGM) は、Granular-ball Computing (GBC) によって誘導される構造対応強化戦略である。
GBGMは、粗い階層的なマスキングプロセスを通じて冗長な領域を抑えながら、意味的に豊富で構造上重要な領域を適応的に保存する。
複数のベンチマークの実験では、分類精度とマスク画像再構成が一貫した改善が示されている。
論文 参考訳（メタデータ） (2025-12-24T07:15:33Z) - SIFT-Graph: Benchmarking Multimodal Defense Against Image Adversarial Attacks With Robust Feature Graph [0.6999740786886536]
敵攻撃は現代のディープビジョンモデルに根本的な脆弱性を露呈する。
本稿では,従来の視覚モデルの堅牢性を高めるマルチモーダル・ディフェンス・フレームワークであるSIFT-Graphを紹介する。
予備的な結果から,本手法は,勾配型ホワイトボックス攻撃に対する視覚モデルロバスト性を効果的に向上することが示された。
論文 参考訳（メタデータ） (2025-11-11T22:23:27Z) - Robust Context-Aware Object Recognition [15.318646611581741]
RCORは、ローカライゼーションを認識の不可欠な部分として扱い、オブジェクト中心およびコンテキスト認識モデリングを分離する。
その結果、ImageNet-1kのような複雑なシーンでも、認識前のローカライゼーションが可能になった。
論文 参考訳（メタデータ） (2025-10-01T07:45:38Z) - GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。
これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。
マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
論文 参考訳（メタデータ） (2025-08-14T11:31:43Z) - Learning Spatial Decay for Vision Transformers [50.63391799053993]
視覚変換器(ViT)はコンピュータビジョンに革命をもたらしたが、その自己認識機構には明らかに空間誘導バイアスがない。
既存のアプローチでは、固定距離メトリクスに基づくデータ非依存の空間減衰が導入されている。
データ依存型空間減衰の2次元視覚変換器への適応が最初に成功した例を示す。
論文 参考訳（メタデータ） (2025-08-13T06:18:32Z) - VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。
大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。
水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。
本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
論文 参考訳（メタデータ） (2025-05-02T12:21:44Z) - Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。
Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。
Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
論文 参考訳（メタデータ） (2025-03-25T15:19:56Z) - Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。
Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。
nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-12-28T14:23:58Z) - Towards Composable Distributions of Latent Space Augmentations [0.0]
本稿では、複数の拡張を簡単に組み合わせることができる潜在空間画像拡張のための構成可能なフレームワークを提案する。
我々のフレームワークは変分オートエンコーダアーキテクチャに基づいており、潜在空間自体の線形変換による拡張に新しいアプローチを採用している。
これらの特性は、特定の拡張のペアでより優れたパフォーマンスを示すが、潜在空間を他の拡張のセットに転送してパフォーマンスを変更することができる。
論文 参考訳（メタデータ） (2023-03-06T19:37:01Z)
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。