論文の概要: CRT-HMAR: Causal Requirement Tracing-Guided Hierarchical Multi-Agent Regulation for Open-Task-Aware Infrared-Visible Image Fusion

• arxiv url: http://arxiv.org/abs/2610.09330v1
• Date: Wed, 07 Oct 2026 02:39:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.684782
• Title: CRT-HMAR: Causal Requirement Tracing-Guided Hierarchical Multi-Agent Regulation for Open-Task-Aware Infrared-Visible Image Fusion
• Title（参考訳）: CRT-HMAR:OpenTask-Aware Infrared-Visible Image FusionのためのCousal Requirement-Guided Hierarchical Multi-Agent Regulation
• Abstract要約: 赤外線と可視光(IR-VIS)画像融合は、相補的なマルチモーダル情報を単一の融合画像に統合し、下流の視覚タスクをサポートする。 既存の方法は、通常、固定されたタスクセット内のタスクを見るように調整され、目に見えないタスクに一般化するのに苦労する。 本稿では,オープンタスク対応IR-VIS画像融合のためのCausal Requirement Tracing-Guided Hierarchical Multi-Agent Regulation FrameworkであるCRT-HMARを提案する。
• 参考スコア（独自算出の注目度）: 25.801716117678478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared and visible (IR-VIS) image fusion integrates complementary multimodal information into a single fused image to support downstream vision tasks. However, existing methods are typically tailored to seen tasks within a fixed task set and struggle to generalize to unseen tasks, which restricts their applicability in real-world open-task scenarios. To address this issue, this paper proposes CRT-HMAR, a Causal Requirement Tracing-Guided Hierarchical Multi-Agent Regulation Framework for open-task-aware IR-VIS image fusion. CRT-HMAR introduces a Causal Requirement Tracing Task Localization mechanism, which actively intervenes in key image information and observes task-network response variations to map task-specific semantic preferences into image-level causal requirement maps. Based on these maps, a requirement analysis agent aggregates task-specific requirement knowledge to adaptively guide requirement-customized image fusion. Moreover, CRT-HMAR incorporates History-Analysis Multi-Objective Balancing and Task-Level-Correction Conflict Mitigation mechanisms, jointly constructing a hierarchical regulation chain of "requirement interpretation - task balancing - conflict mitigation". Through multiple collaborative agents, CRT-HMAR dynamically regulates key processes including open-task requirement modeling, multi-task balanced optimization, and gradient conflict mitigation. Extensive experiments on open-task scenarios involving five downstream tasks demonstrate that CRT-HMAR significantly improves generalization to unseen tasks while maintaining the performance and balance of seen tasks. Overall, CRT-HMAR shifts IR-VIS image fusion from task-oriented modeling toward requirement-oriented modeling, promoting its extension from closed-task settings to real-world open-task scenarios.
• Abstract（参考訳）: 赤外線と可視光(IR-VIS)画像融合は、相補的なマルチモーダル情報を単一の融合画像に統合し、下流の視覚タスクをサポートする。 しかし、既存の手法は通常、固定されたタスクセット内のタスクに適合し、見えないタスクへの一般化に苦慮し、実際のオープンタスクシナリオにおけるそれらの適用性を制限している。 この問題を解決するために,オープンタスク対応IR-VIS画像融合のための因果的要求追跡型階層的多エージェント制御フレームワークであるCRT-HMARを提案する。 CRT-HMARはCausal Requirement Tracing Task Localizationメカニズムを導入し、キーイメージ情報に積極的に介入し、タスク固有のセマンティックな嗜好を画像レベルの因果要求マップにマッピングするためにタスク-ネットワーク応答のバリエーションを観察する。 これらのマップに基づいて、要求分析エージェントはタスク固有の要求知識を集約し、要求適応化画像融合を適応的に導く。 さらに、CRT-HMARはヒストリ・アナリシス・マルチオブジェクト・バランシングとタスク・レベル・コレクティブ・コンフリクト・ミティゲーションのメカニズムを取り入れ、「要求解釈、タスクバランス、コンフリクト・リミティゲーション」という階層的な規制チェーンを共同で構築している。 複数の協調エージェントを通じて、CRT-HMARはオープンタスク要求モデリング、マルチタスクバランス最適化、勾配競合緩和を含む主要なプロセスを動的に制御する。 5つのダウンストリームタスクを含むオープンタスクシナリオに関する大規模な実験により、CRT-HMARは、見えないタスクのパフォーマンスとバランスを維持しながら、目に見えないタスクへの一般化を著しく改善することを示した。 全体として、CRT-HMARはIR-VISイメージ融合をタスク指向モデリングから要件指向モデリングにシフトさせ、クローズドタスク設定から実際のオープンタスクシナリオへの拡張を促進する。

関連論文リスト

• Balancing Task-invariant Interaction and Task-specific Adaptation for Unified Image Fusion [82.74585945197231]
  統合画像融合は、マルチソース画像からの補完情報を統合し、画質を向上させることを目的としている。 既存の一般画像融合法では、異なる融合タスクへの適応を可能にする明示的なタスク識別が組み込まれている。 本稿では,タスク不変相互作用とタスク固有適応のバランスをとる,新たな統合画像融合フレームワーク「TITA」を提案する。
  論文  参考訳（メタデータ） (2025-04-07T15:08:35Z)
• Instruction-Driven Fusion of Infrared-Visible Images: Tailoring for Diverse Downstream Tasks [9.415977819944246]
  赤外線と可視光融合技術の主な価値は、下流のタスクに融合結果を適用することである。 既存の手法では、トレーニングの複雑さが増し、個々のタスクのパフォーマンスが著しく損なわれるといった課題に直面している。 本稿では,タスク指向適応制御(T-OAR)を提案する。
  論文  参考訳（メタデータ） (2024-11-14T12:02:01Z)
• Comprehensive Generative Replay for Task-Incremental Segmentation with Concurrent Appearance and Semantic Forgetting [49.87694319431288]
  一般的なセグメンテーションモデルは、異なる画像ソースからの様々なオブジェクトを含む様々なタスクに対して、ますます好まれている。 画像とマスクのペアを合成することで外観と意味の知識を復元する包括的生成(CGR)フレームワークを提案する。 漸進的タスク(心身、基礎、前立腺のセグメンテーション)の実験は、同時出現と意味的忘れを緩和する上で、明らかな優位性を示している。
  論文  参考訳（メタデータ） (2024-06-28T10:05:58Z)
• Task Indicating Transformer for Task-conditional Dense Predictions [16.92067246179703]
  この課題に対処するために,タスク表示変換(TIT)と呼ばれる新しいタスク条件フレームワークを導入する。 本手法では,行列分解によるタスク指示行列を組み込んだMix Task Adapterモジュールをトランスフォーマーブロック内に設計する。 また,タスク表示ベクトルとゲーティング機構を利用するタスクゲートデコーダモジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-01T07:06:57Z)
• Unifying Image Processing as Visual Prompting Question Answering [62.84955983910612]
  画像処理はコンピュータビジョンの基本的な課題であり、画像の品質を高め、その後の視覚アプリケーションに不可欠な特徴を抽出することを目的としている。 伝統的に、タスク固有のモデルは個々のタスクのために開発され、そのようなモデルの設計には異なる専門知識が必要である。 本稿では,画像復元,画像強調,画像特徴抽出タスクを網羅する汎用画像処理モデルを提案する。
  論文  参考訳（メタデータ） (2023-10-16T15:32:57Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)

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。