論文の概要: Image Augmentation as Test Generation for Deep Learning-Based Image Retrieval Systems
- arxiv url: http://arxiv.org/abs/2608.27502v1
- Date: Thu, 27 Aug 2026 03:40:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.086594
- Title: Image Augmentation as Test Generation for Deep Learning-Based Image Retrieval Systems
- Title（参考訳）: 深層学習に基づく画像検索システムのためのテスト生成としての画像拡張
- Abstract要約: 本稿では,埋め込み型画像検索システムのためのテストジェネレータとして,拡張および生成手法をレビューし,評価する。
気象シミュレーションとSaSPAは、最も埋め込みの不確実性と故障率の高い画像増減/生成技術である。
GANベースの拡張技術は、人工的な人工物の存在と知覚的不整合を示す、現実主義の中で最も低いものの一つである。
- 参考スコア（独自算出の注目度）: 5.527117132133789
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensuring the reliability of deep learning-based image retrieval systems is a software engineering challenge. This paper presents a dual contribution: (1) a literature review of augmentation and generation techniques which resulted in the identification of 50 techniques which we organized into a ten-category taxonomy, and (2) a large-scale empirical study that evaluates these techniques as test generators for embedding-based image retrieval systems. Augmented images are embedded using Amazon Titan and OpenCLIP, and evaluated across four analytical dimensions: (1) embedding-space similarity, (2) embedding uncertainty measured via four estimators, (3) semantic realism scored by LLaVA, and (4) retrieval failure rate. Experiments are performed on three datasets: CIFAR-10, ImageNet-1K, and a dataset from an industrial partner (March Networks). Across all evaluated datasets and embedding models, and under the single severity level tested for each technique, weather simulation and SaSPA are the image augmentation/generation techniques that produce the highest embedding uncertainty and failure rates while maintaining a favorable balance between performance stability, visual realism, and augmentation effectiveness. The results we discuss are configuration-specific and may shift under milder or stronger perturbation settings. In contrast, GAN-based augmentation techniques are among the lowest in realism, indicating the presence of synthetic artifacts and perceptual inconsistencies that reduce their suitability to produce realistic test inputs. Overall, our findings provide practical guidelines for selecting augmentation techniques that maximize test diversity while preserving realistic image characteristics, thereby enabling the construction of comprehensive and effective test suites for image retrieval systems while reducing the cost of manual data labeling through the use of metamorphic testing.
- Abstract（参考訳）: ディープラーニングに基づく画像検索システムの信頼性を保証することは、ソフトウェア工学上の課題である。
本稿は,(1)10カテゴリーの分類に分類した50のテクニックの同定に繋がる拡大・生成技術に関する文献的考察,(2)これらの手法を埋め込み型画像検索システムのためのテストジェネレータとして評価する大規模実証的研究,という2つの貢献について述べる。
拡張画像はAmazon TitanとOpenCLIPを使用して埋め込み、(1)埋め込み空間の類似性、(2)4つの推定器による不確実性の測定、(3)LLaVAによる意味的リアリズム、(4)検索失敗率の4つの分析次元で評価される。
CIFAR-10、ImageNet-1K、産業パートナー(3月ネットワーク)のデータセットの3つのデータセットで実験が行われる。
すべての評価されたデータセットと埋め込みモデル、そしてそれぞれの技術でテストされた単一の重大度レベルの下では、気象シミュレーションとSASPAは、パフォーマンス安定性、視覚リアリズム、拡張効果のバランスを維持しながら、最も高い埋め込み不確実性と失敗率を生成する画像増設/生成技術である。
検討した結果は, コンフィグレーションに特化しており, より軽度あるいは強い摂動条件の下でシフトする可能性がある。
対照的に、GANベースの拡張技術は現実主義の中で最低であり、人工的な人工物の存在と、現実的なテストインプットを生み出すための適合性を低下させる知覚的不整合を示唆している。
これにより,画像検索システムの総合的かつ効果的なテストスイートの構築が可能となり,メタモルフィックテストによる手動データラベリングのコストを低減できる。
関連論文リスト
- Data Safety: Synthetic Data Quality Analysis Using CIFAKE Dataset [0.4784604186682396]
本研究では,異なる生成法で生成した2種類の合成画像と実画像との相違を3つの視点から系統的に解析する。
現実的なデータ混合シナリオを考慮し、合成データをどのように活用すべきかを実験的に検証する。
論文 参考訳（メタデータ） (2026-07-13T21:18:15Z) - Evaluating Synthetic Images as Effective Substitutes for Experimental Data in Surface Roughness Classification [1.697618076775192]
生成画像を用いた真正データセットの増大は,実験画像のみを用いて得られたデータに匹敵する精度を示す。
以上の結果から,生成AIは材料画像分類におけるデータ効率と信頼性を大幅に向上させることができることが示唆された。
論文 参考訳（メタデータ） (2026-03-26T06:00:17Z) - FeatDistill: A Feature Distillation Enhanced Multi-Expert Ensemble Framework for Robust AI-generated Image Detection [14.180599240051238]
FeatDistillは、特徴蒸留とマルチエキスパートアンサンブルを統合する、AI生成の画像検出フレームワークである。
NTIRE Challenge on Robust AI-Generated Image Detection in the Wildのために開発された。
論文 参考訳（メタデータ） (2026-03-23T12:55:31Z) - Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている
既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。
トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
論文 参考訳（メタデータ） (2026-01-25T07:09:20Z) - Bridging the Gap Between Ideal and Real-world Evaluation: Benchmarking AI-Generated Image Detection in Challenging Scenarios [54.07895223545793]
本稿では,実世界ロバストネスデータセット(RRDataset)を導入し,3次元にわたる検出モデルの包括的評価を行う。
RRDatasetには7つの主要なシナリオの高品質なイメージが含まれている。
我々はRRDataset上で17の検出器と10の視覚言語モデル(VLM)をベンチマークし、大規模な人間実験を行った。
論文 参考訳（メタデータ） (2025-09-11T06:15:52Z) - Learning Unpaired Image Dehazing with Physics-based Rehazy Generation [50.37414006427923]
合成トレーニングペアへの過度な適合は、イメージデハジングにおいて重要な課題である。
本研究では,非対位画像脱ハージング(Rehazy)の新たなトレーニング戦略を提案し,脱ハージング性能とトレーニング安定性を両立させる。
論文 参考訳（メタデータ） (2025-06-15T12:12:28Z) - So-Fake: Benchmarking and Explaining Social Media Image Forgery Detection [75.79507634008631]
So-Fake-Setは、200万以上の高品質な画像、多様な生成源、35の最先端生成モデルを用いて合成された画像を備えたソーシャルメディア指向のデータセットである。
本稿では,高精度な偽造検出,高精度な位置推定,解釈可能な視覚論理による説明可能な推論に強化学習を利用する高度な視覚言語フレームワークであるSo-Fake-R1を提案する。
論文 参考訳（メタデータ） (2025-05-24T11:53:35Z) - Is Artificial Intelligence Generated Image Detection a Solved Problem? [16.9828631287303]
AIGIBenchは、最先端AIGI検出器の堅牢性と一般化能力を厳格に評価するために設計されたベンチマークである。
マルチソースの一般化、画像劣化に対する堅牢性、データ拡張に対する敏感性、テスト時間前処理の影響の4つのコアタスクを通じて、現実世界の課題をシミュレートする。
ソーシャルメディアやAIアートプラットフォームから収集された実世界のサンプルとともに、高度な画像生成技術と広く採用されている画像生成技術の両方にまたがる、23の多様なフェイクイメージサブセットが含まれている。
論文 参考訳（メタデータ） (2025-05-18T10:00:39Z) - Enhancing Content Representation for AR Image Quality Assessment Using Knowledge Distillation [3.020452010930984]
本稿では,拡張現実シナリオの画質評価に特化して設計された,深層学習に基づく客観的指標を提案する。
1)参照画像から顕著な特徴を抽出するための自己教師付き事前学習型視覚変換器の微調整,(2)計算シフト表現による歪みの定量化,(3)知覚品質の特徴を捉えるための横断的アテンションベースのデコーダの活用,(4)正規化技術の統合とラベルスムーズ化によるオーバーフィッティング問題への対処,の4つの重要なステップを含む。
論文 参考訳（メタデータ） (2024-12-08T17:25:30Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z)
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。