論文の概要: LLMSeg: Training-Free Text-Prompted Image Segmentation with B-Splines

• arxiv url: http://arxiv.org/abs/2610.29409v1
• Date: Wed, 21 Oct 2026 08:35:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.290208
• Title: LLMSeg: Training-Free Text-Prompted Image Segmentation with B-Splines
• Title（参考訳）: LLMSeg: B-Splinesによるトレーニング不要のテキストプロンプトイメージセグメンテーション
• Abstract要約: LLMSegは、視覚能力のある大規模言語モデルをテキストプロンプト画像セグメンタに変換する、トレーニング不要のパイプラインである。 10の参照と推論セグメンテーション(ReasonSegとRefCOCO/+/g)で評価する。 市販のGemini-3.7-Flashバックエンドでは、LLMSegはSAM 3モデルと競合し、しばしば同じアイテムで競合する。
• 参考スコア（独自算出の注目度）: 9.820893063419724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Promptable segmentation models such as SAM 3 achieve remarkable open-vocabulary performance but require dedicated architectures, large-scale annotation engines, and task-specific training. We ask a different question: can a general-purpose multimodal large language model (MLLM) segment images directly, without an added segmentation head, mask decoder, or training? We present LLMSeg, a training-free pipeline that turns a vision-capable LLM into a text-prompted image segmenter. LLMSeg decomposes segmentation into three LLM-driven stages. First, detect localizes all instances matching a free-form text query and describes their coarse morphology. Next, segment traces each instance using closed periodic B-splines confined to its detected box. These splines define an outer boundary and optional hole loops. Finally, refine iteratively proposes focus boxes around residual errors and retraces confined splines. The process ends when the mask stabilizes or the pass budget is exhausted. The output is a binary mask with inspectable intermediate geometry. We evaluate LLMSeg across ten referring and reasoning segmentation splits (ReasonSeg and RefCOCO/+/g). We also evaluate open-vocabulary instance segmentation (LVIS, COCO, and SA-Co), semantic segmentation, and zero-shot detection (ODinW13 and RF-100VL). With an off-the-shelf Gemini-3.7-Flash backend, LLMSeg is competitive with and often surpasses the specialist SAM 3 model on identical items. It reaches 71.5 cIoU on ReasonSeg val without additional segmentation-specific training. Backend model updates can improve accuracy without retraining the pipeline. The code is available at https://abdullahamdi.com/llmseg .
• Abstract（参考訳）: SAM 3のような予測可能なセグメンテーションモデルは、優れたオープン語彙のパフォーマンスを達成するが、専用のアーキテクチャ、大規模アノテーションエンジン、タスク固有のトレーニングが必要である。 汎用マルチモーダル大言語モデル(MLLM)のセグメントイメージは,セグメント化ヘッドやマスクデコーダ,トレーニングを必要とせずに,直接的に生成できるのか? LLMSegは、視覚能力のあるLCMをテキストプロンプト画像セグメンタに変換する、トレーニング不要のパイプラインである。 LLMSegはセグメンテーションを3つのLCM駆動段階に分解する。 まず、自由形式のテキストクエリにマッチするすべてのインスタンスをローカライズし、その粗い形態を記述する。 次に、セグメントは検出ボックスに制限された閉じた周期的B-スプラインを使用して各インスタンスをトレースする。 これらのスプラインは外界とオプションのホールループを定義する。 最後に、精巧な反復的に残差エラーと制限されたスプラインを繰り返すフォーカスボックスを提案する。 マスクが安定するか、パス予算が枯渇した場合、プロセスは終了する。 出力は、検査可能な中間幾何学を持つバイナリマスクである。 LLMSegを10の参照と推論の分割(ReasonSegとRefCOCO/+/g)で評価した。 また,オープンボキャブラリインスタンスセグメンテーション(LVIS,COCO,SA-Co),セマンティックセグメンテーション,ゼロショット検出(ODinW13,RF-100VL)についても検討した。 市販のGemini-3.7-Flashバックエンドでは、LLMSegはSAM 3モデルと競合し、しばしば同じアイテムで競合する。 ReasonSeg valで71.5 cIoUに到達し、セグメンテーション固有のトレーニングを追加しない。 バックエンドモデルの更新は、パイプラインを再トレーニングすることなく精度を向上させることができる。 コードはhttps://abdullahamdi.com/llmsegで公開されている。

関連論文リスト

• SegRAG: Training-Free Retrieval-Augmented Semantic Segmentation [13.665861251747144]
  SegRAGは、トレーニング不要の検索拡張セグメンテーションフレームワークである。 SAM3には、DINOv3機能バンクから派生したクラス固有のポイントプロンプトがある。 4つの標準ベンチマークでは、SegRAGはテキストのみのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-17T19:51:32Z)
• Decoupled Seg Tokens Make Stronger Reasoning Video Segmenter and Grounder [5.57393627015653]
  Sa2VAで実証されたビデオセグメンタとグライダーアプローチは、セグメンテーションモデル内で機能を直接フューズする。 これはしばしば、動的視覚情報と静的意味論の好ましくない絡み合いが生じ、セグメント化の精度が低下する。 SAM-2に固有の情報処理制限に対処するため,テキスト事前学習と線形デカップリングモジュールを統合したデカップリング強化プロンプト方式であるDeSa2VAを提案する。
  論文  参考訳（メタデータ） (2025-06-28T13:30:36Z)
• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• A Simple Framework for Open-Vocabulary Segmentation and Detection [85.21641508535679]
  我々は,異なるセグメンテーションと検出データセットから共同で学習する,シンプルなオープン語彙検出フレームワークOpenSeeDを提案する。 まず、事前学習されたテキストエンコーダを導入し、視覚概念を2つのタスクにエンコードし、それらの共通意味空間を学習する。 プレトレーニング後,本モデルでは,セグメンテーションと検出の両方において,競争力あるいは強いゼロショット転送性を示す。
  論文  参考訳（メタデータ） (2023-03-14T17:58:34Z)
• Prompt-Based Multi-Modal Image Segmentation [81.58378196535003]
  テスト時に任意のプロンプトに基づいて画像セグメンテーションを生成するシステムを提案する。 プロンプトはテキストかイメージのいずれかでもよい。 私たちはCLIPモデルをバックボーンとして構築し、トランスフォーマーベースのデコーダで拡張します。
  論文  参考訳（メタデータ） (2021-12-18T21:27:19Z)

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。