論文の概要: DCM-SAM: Defect-Conditioned Mixture of LoRA Experts for NPU-Deployed AM Defect Segmentation

• arxiv url: http://arxiv.org/abs/2609.38811v1
• Date: Wed, 30 Sep 2026 02:42:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.048088
• Title: DCM-SAM: Defect-Conditioned Mixture of LoRA Experts for NPU-Deployed AM Defect Segmentation
• Title（参考訳）: DCM-SAM:NPUデプロイAM欠陥セグメンテーションのためのLoRAエキスパートの欠陥条件混合
• Abstract要約: 欠陥条件付きLoRAエキスパートの適応混合であるDCM-SAMについて述べる。 1つのバックボーンには別のConv-LoRAエキスパートバンクと、欠陥クラス毎のマスクデコーダがある。 XCT-SAMが報告したベンチマークでは、DCM-SAMは両方のクラスのベースラインごとに改善されている。
• 参考スコア（独自算出の注目度）: 2.089089303895779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal additive manufacturing parts are inspected by X-ray computed tomography, where labelled data is scarce, the pores and inclusions that matter span a few pixels, and inspection must happen at the machine. We present DCM-SAM, a defect-conditioned adaptive mixture of LoRA experts: one frozen Segment Anything backbone carries a separate Conv-LoRA expert bank and mask decoder per defect class, each trained in its own pass, without prompts, on synthetic slices alone, updating only 4.4% of the parameters. On benchmarks that XCT-SAM reports, DCM-SAM improves on every baseline for both classes from a ViT-B backbone against their ViT-H, and reaches 64.2% pore IoU on real NIST scans having seen no real images during training. Deployment then exposes what adaptation work rarely measures: on a Qualcomm Hexagon NPU, ViT-H and ViT-L compile yet cannot allocate at 1024x1024 image resolution, since activations rather than weights exceed the device ceiling, and quantizing weights does not help. ViT-B alone runs, but the adapted encoder then fails to allocate where the stock one succeeds, until a numerically identical rewrite of the attention lets the complete DCM-SAM run in FP16 at 1024x1024, with no operator falling back to the CPU, masks within 0.01% of pixels of the FP32 reference. Code: https://github.com/MushfiqShovon/DCM-SAM.
• Abstract（参考訳）: 金属添加物の製造部品はX線CTで検査され、ラベル付きデータが不足し、数ピクセルにまたがる細孔や包含物が不足しており、検査は機械で行う必要がある。 凍結したセグメント 任意のバックボーンには、別のConv-LoRAエキスパートバンクとマスクデコーダがあり、それぞれがプロンプトなしで独自のパスで訓練され、合成スライスだけで4.4%しか更新されない。 XCT-SAMが報告したベンチマークでは、DCM-SAMはViT-BのバックボーンからViT-Hまで両方のクラスのベースラインを改良し、トレーニング中に実際のNISTスキャンで64.2%のIoUに達する。 Qualcomm Hexagon NPU、ViT-H、ViT-Lのコンパイルでは、1024x1024の画像解像度を割り当てることができない。 ViT-Bだけでは動作しないが、適応エンコーダは、FP32参照の0.01%以内のマスクでFP16で完全なDCM-SAMを1024x1024で実行させるまで、株価が成功する場所を割り振ることができない。 コード:https://github.com/MushfiqShovon/DCM-SAM

関連論文リスト

• VGG16-MCA UNet: Whole-Tumor Segmentation in 2D FLAIR MRI with Decoder-Side Channel Attention [0.0]
  VGG16-MCA UNetは、ImageNetでトレーニングされたVGG16エンコーダとデコーダをペアリングするハイブリッドアーキテクチャである。 2つのパブリックパーティションから腫瘍陽性スライスを分離し, 2D, FLAIR-only, whole-tumor segmenterとして評価した。 この方法では、BraTS 2020分割で95.10%、LGGで88.32%の合計ピクセルレベルDice(F1)が得られる。
  論文  参考訳（メタデータ） (2026-09-20T22:50:14Z)
• Detection is solved, delineation is not: what governs tooth segmentation on panoramic radiographs [0.3262230127283452]
  本研究は,42,142個の歯科用ポリゴンを含む1,422個のパノラマX線撮影装置を組み立てた。 入力解像度、アーキテクチャ、解剖学的事前を単一の評価プロトコルで分離するために使用する。
  論文  参考訳（メタデータ） (2026-09-18T11:08:02Z)
• XCT-SAM: Sequential Parameter-Efficient Domain Adaptation of SAM for Industrial XCT Defect Segmentation [1.8376855632247695]
  AMXCT欠陥セグメント化のための逐次パラメータ効率適応フレームワークであるXCT-SAMを提案する。 まず,合金-マイクロ構造データセット上のConv-LoRAアダプタを微調整し,その後XCT画像に適応モデルを転送する。 我々は,市販のCycleGAN-XCTベンチマークと実世界のNIST XCTスキャンを用いてXCT-SAMを評価する。
  論文  参考訳（メタデータ） (2026-07-15T18:49:09Z)
• RobustMedSAM: Degradation-Resilient Medical Image Segmentation via Robust Foundation Model Adaptation [1.5033787705636696]
  医用画像セグメンテーションモデルは、ノイズ、ぼかし、モーションアーティファクト、モダリティ固有の歪みなどの現実的な画像劣化の下で劣化することが多い。 既存のアプローチは医療領域の適応や腐敗に対処するが、どちらも共同ではない。 画像エンコーダをMedSAMから初期化し,マスクデコーダを共有ViT-BアーキテクチャでロバストSAMから初期化する。
  論文  参考訳（メタデータ） (2026-04-10T18:45:20Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• BA-SAM: Scalable Bias-Mode Attention Mask for Segment Anything Model [65.92173280096588]
  我々は,Segment Anything Model (SAM)における画像分解能変動の課題に対処する。 SAMはゼロショットの汎用性で知られており、さまざまな画像サイズを持つデータセットに直面するとパフォーマンスが低下する。 我々は、各トークンが隣り合う情報を優先順位付けできるバイアスモードのアテンションマスクを提案する。
  論文  参考訳（メタデータ） (2024-01-04T15:34:44Z)
• EdgeSAM: Prompt-In-the-Loop Distillation for SAM [87.52687622659904]
  EdgeSAMはSegment Anything Model (SAM)の高速化版である。 我々のアプローチは、VTベースのSAMイメージエンコーダを純粋にCNNベースのアーキテクチャに蒸留することである。 これは、iPhone 14で30FPS以上で動作可能なSAMの最初の派生機種である。
  論文  参考訳（メタデータ） (2023-12-11T18:59:52Z)
• AutoSAM: Adapting SAM to Medical Images by Overloading the Prompt Encoder [101.28268762305916]
  この作業では、Segment Anything Modelを同じ入力イメージで動作するエンコーダに置き換える。 複数の医用画像とビデオのベンチマークで最先端の結果を得る。 内部の知識を検査し、軽量なセグメンテーションソリューションを提供するために、浅いデコンボリューションネットワークによってマスクに復号化することを学ぶ。
  論文  参考訳（メタデータ） (2023-06-10T07:27:00Z)
• DeSAM: Decoupled Segment Anything Model for Generalizable Medical Image Segmentation [22.974876391669685]
  Segment Anything Model (SAM) は、医用画像セグメンテーションのクロスドメインロバスト性を改善する可能性を示している。 SAMは手動でトリガーする時よりも、自動セグメンテーションのシナリオで大幅にパフォーマンスが低下する。 Decoupled SAMはSAMのマスクデコーダを2つの新しいモジュールを導入して変更する。
  論文  参考訳（メタデータ） (2023-06-01T09:49:11Z)

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。