論文の概要: Feature Recovery for Object Understanding After Irreversible Fire Damage

• arxiv url: http://arxiv.org/abs/2609.12078v1
• Date: Thu, 10 Sep 2026 18:07:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.502765
• Title: Feature Recovery for Object Understanding After Irreversible Fire Damage
• Title（参考訳）: 非可逆的火災被害後の物体理解のための特徴回復
• Abstract要約: 本稿では,火後オブジェクト理解のための変換対応ベンチマークであるTRACEを紹介する。 TRACEには21.4Kの実像合成シーンと2組のオブジェクトレベルのプリスチン分解プログレッションが含まれている。 局所化と事前劣化の理解を目的とした5つのタスクを定義する: 劣化対象検出, 原始状態回復と検索, 原材料回収, 原始記述生成, 機能的推論。
• 参考スコア（独自算出の注目度）: 39.456182603258156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objects in post-fire environments often undergo irreversible physical transformations that change their geometry, material state, and visual appearance. Detecting and identifying these remnants is critical for locating hazards, reconstructing pre-incident contents, and inventorying losses. Unlike standard image corruptions, these degradations affect the physical structure of the object itself. To study this setting, we introduce TRACE, a transformation-aware benchmark for post-fire object understanding. TRACE contains 21.4K real-image-grounded synthetic scenes and paired object-level pristine-to-degraded progressions spanning 499 object identities across 189 categories. We define five tasks targeting localization and pre-degradation understanding: degraded-object detection, pristine-state recovery and retrieval, original material recovery, pristine description generation, and functional reasoning. Existing models degrade sharply with severity. From the least to the most severe level, RF-DETR mAP decreases by 71% relative, while InternVL3.5 retrieval R@1 falls from 93.85 to 28.11. To address this, we propose the Feature Recovery Module (FRM), a plug-and-play module that maps degraded encoder features to pristine-aligned representations while keeping the host frozen. Trained only with paired feature supervision, FRM improves scene-level detection, CLIP/SigLIP2 feature recovery, and all four object-level VLM tasks, with larger gains under more severe degradation. Across VLM hosts and severity levels, relative gains average 12.5% for retrieval, 20.1% for material recovery, 13.2% for description generation, and 12.4% for functional reasoning.
• Abstract（参考訳）: 火後の環境のオブジェクトは、しばしば、その幾何学、物質状態、視覚的外観を変える不可逆的な物理的変換を受けます。 これらの残骸の検出と識別は、危険の特定、事故前の内容の再構築、損失の在庫管理に重要である。 通常の画像の劣化とは異なり、これらの劣化は物体自体の物理的構造に影響を与える。 この設定を研究するために,火後オブジェクト理解のための変換対応ベンチマークであるTRACEを導入する。 TRACEには、21.4Kの実像合成シーンと、189のカテゴリで499のオブジェクトIDにまたがる2組のオブジェクトレベルのプリスタン・ツー・デグレッションが含まれている。 局所化と事前劣化の理解を目的とした5つのタスクを定義する: 劣化対象検出, 原始状態回復と検索, 原材料回収, 原始記述生成, 機能的推論。 既存のモデルは重度で急激に劣化する。 RF-DETR mAPは相対的に71%減少し、InternVL3.5検索R@1は93.85から28.11に減少する。 そこで本研究では,機能回復モジュール (FRM) を提案する。このモジュールは,劣化したエンコーダの機能を,ホストの凍結を維持しながらプリスタン整列表現にマップするモジュールである。 ペア機能の監視のみで訓練されたFRMは、シーンレベルの検出、CLIP/SigLIP2の機能回復、および4つのオブジェクトレベルのVLMタスクをすべて改善し、より深刻な劣化の下で大きく向上した。 VLMのホストと重症度は平均12.5%、材料回収は20.1%、記述生成は13.2%、機能的推論は12.4%である。

関連論文リスト

• Restore What Matters: Lessons from Joint Restoration and Recognition [72.91692240810536]
  認識パイプラインは通常、再認識ワークフローを採用するが、数十年の経験から、視覚的に満足な画像を生成することは、認識を改善するためにめったにないことを示している。 下流のタスクが本当に必要とするものだけを復元し、タスク信号がどこで、どのくらい、そして、修復が必要なのかを判断する。 我々は、より良い外観のイメージは必要でも十分でもないと結論付け、復元モジュールはタスク駆動で、選択的で、物理的に認識されなければならない。
  論文  参考訳（メタデータ） (2026-09-12T08:08:08Z)
• RMR-P: Road Metadata-Aware Restoration for Pavement Inspection [10.367537997337314]
  車両に搭載されたカメラによって撮影された路面画像は、車両の動き、カメラの制限、環境条件の変化により、運動のぼやけ、デフォーカス、照明の悪さ、騒音によって劣化することが多い。 本稿では, 劣化道路画像から欠陥関連情報を復元するRMR-Pを提案する。
  論文  参考訳（メタデータ） (2026-08-09T23:29:35Z)
• Bend the Basics: Degradation-Aware Deformable Tokenization for All-in-One Image Restoration [72.64498743287601]
  オールインワン画像復元は、多様で空間的に一様でない腐敗によって劣化した画像を復元できる単一のモデルを求める。 パイプライン全体にわたる劣化認識をモデル化するフレキシブル・イメージ・トランスフォーマー(FIT)を提案する。 FITは、30.72dBの平均PSNRを5次劣化設定で32.83dBを3次劣化設定で達成し、最近の統一修復法を+0.5$sim$1.1dBで上回った。
  論文  参考訳（メタデータ） (2026-08-07T05:44:31Z)
• REVIVE: A Multi-Modal Framework for Vandalism Detection and Recovery in Autonomous Vehicles [0.6445605125467572]
  本稿では,視覚能力向上のためのVandalized Image for Vision Excellence(REVIVE)フレームワークの回復と拡張について述べる。 これは、バイナリVOA検出、(2)マルチクラスVOAパターン識別、(3)効率の良いNetベースのU-Netセグメンテーション、(4)タイプ認識リカバリを統合している。 500個の追跡されたクリーン/バンダライズされた画像対において、未発見のVOAsはYOLOv8lのオブジェクト検出リコールを0.588に削減し、直接のピクセル置換は0.967とF1スコアを0.970にリコールした。
  論文  参考訳（メタデータ） (2026-07-06T21:25:41Z)
• DART: A Vision-Language Foundation Model for Comprehensive Rope Condition Monitoring [2.8993790400286876]
  DART(Damage Assessment via Rope Transformer)は,マルチタスクアーキテクチャによる全ロープ検査に対処する視覚制御基盤モデルである。 HD-MASK(英: HD-MASK)は、ダメージ・ディエンス・パッチの自己言語再構築に焦点を当てたサリエンシ誘導型マスキング戦略である。 DARTは、分類を超えた汎用CMバックボーンとして機能し、単一の共有表現から実行可能なインスペクションインテリジェンスを提供する。
  論文  参考訳（メタデータ） (2026-05-06T14:12:02Z)
• Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
  敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れた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） (2026-04-16T05:47:57Z)
• ReconPhys: Reconstruct Appearance and Physical Attributes from Single Video [51.2815592637053]
  ReconPhysは、単一の単眼ビデオから物理的属性推定と3次元ガウススプラッティング再構成を共同で学習するフィードフォワードフレームワークである。 提案手法では, 自己教師型戦略を用いて訓練したデュアルブランチアーキテクチャを用いて, 地上の物理ラベルの必要性を解消する。 大規模合成データセットの実験は優れた性能を示した。
  論文  参考訳（メタデータ） (2026-04-09T06:51:14Z)
• From Pixels to Semantics: A Multi-Stage AI Framework for Structural Damage Detection in Satellite Imagery [0.0]
  本稿では,AIに基づく超解像,深層学習オブジェクト検出,視覚言語モデル(VLM)を統合し,建築被害の包括的評価を行う新しいフレームワークを提案する。 まず, 映像再生変換器(VRT)を用いて, 1024x1024 から 4096x4096 への高解像度化を行う。 参照不要なセマンティックアライメントのためにCLIPScoreを使用し、安全クリティカルな意思決定における個人のモデルバイアスを低減するためのマルチモデルVLM-as-a-Jury戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-24T03:50:41Z)
• RestoreDet: Degradation Equivariant Representation for Object Detection in Low Resolution Images [81.91416537019835]
  劣化した低解像度画像中のオブジェクトを検出するための新しいフレームワークであるRestoreDetを提案する。 CenterNetをベースとした本フレームワークは, 既存手法と比較して, 異種劣化状況に直面する場合に比べ, 優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-01-07T03:40:23Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)

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。