論文の概要: GeoPrompt: Geometry-Conditioned Prompt Learning for Underwater Open-Vocabulary Instance Segmentation

• arxiv url: http://arxiv.org/abs/2610.34190v1
• Date: Sun, 25 Oct 2026 09:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.555327
• Title: GeoPrompt: Geometry-Conditioned Prompt Learning for Underwater Open-Vocabulary Instance Segmentation
• Title（参考訳）: GeoPrompt: 水中オープン語彙インスタンスセグメンテーションのための幾何学的制約付きプロンプト学習
• Abstract要約: Open-vocabulary instance segmentation (OVIS)は、ラベル空間を超えてカテゴリを認識し、セグメンテーションすることで、海洋の知覚に有望なソリューションを提供する。 既存のOVISメソッドは通常視覚言語によるアライメントに依存しており、視覚領域の特徴はテキストカテゴリーの埋め込みと一致し、見えないクラスと見えないクラスの両方を認識する。 提案するGeoPromptは,水中の開語彙インスタンスセグメンテーションのための幾何学条件付きプロンプトラーニングフレームワークである。
• 参考スコア（独自算出の注目度）: 34.311816510019334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-vocabulary instance segmentation (OVIS) provides a promising solution for marine perception by recognizing and segmenting categories beyond predefined label spaces. Existing OVIS methods usually rely on vision-language alignment, where visual region features are matched with textual category embeddings to recognize both seen and unseen classes. However, this alignment assumption becomes fragile in underwater environments. Color attenuation, scattering, turbidity, and low contrast distort visual appearance, causing region features to deviate from their corresponding semantic concepts. As a result, the similarity between degraded visual features and textual classifiers becomes unreliable, which particularly weakens the recognition of unseen underwater categories that cannot be corrected by category-specific supervision. To address these issues, we propose GeoPrompt, a geometry-conditioned prompt learning framework for underwater open-vocabulary instance segmentation. Our key insight is that geometric structure is more stable than visual appearance in degraded underwater scenes. Specifically, GeoPrompt introduces a geometry-guided visual adaptation module (GVAM) to extract depth-derived structural priors and inject them into multi-scale visual features. It further develops a geometry-conditioned prompt learning (GCPL) that generates geometry-aware textual classifiers from structural representations. These geometry-aware classifiers are integrated with fixed and image-conditioned textual classifiers to improve open-vocabulary semantic alignment. Experiments on the MARIS-OpenIS benchmark show that GeoPrompt achieves state-of-the-art performance and brings consistent improvements on underwater open-vocabulary instance segmentation.
• Abstract（参考訳）: Open-vocabulary instance segmentation (OVIS)は、事前に定義されたラベル空間を超えてカテゴリを認識し、セグメンテーションすることで、海洋の知覚に有望なソリューションを提供する。 既存のOVISメソッドは通常視覚言語によるアライメントに依存しており、視覚領域の特徴とテキストカテゴリーの埋め込みが一致して、見えないクラスと見えないクラスの両方を認識する。 しかし、このアライメントの仮定は水中環境では壊れやすい。 色減衰、散乱、濁度、低コントラストは視覚的外観を歪め、領域の特徴は対応する意味概念から逸脱する。 その結果、劣化した視覚特徴とテキスト分類器の類似性は信頼できないものとなり、特にカテゴリー別監視では修正できない未確認水中カテゴリの認識が弱まる。 このような問題に対処するため,我々はジオプロンプト (GeoPrompt) を提案する。 我々の重要な洞察は、幾何学的構造は、劣化した水中のシーンの視覚的外観よりも安定しているということである。 具体的には、GeoPromptは幾何学誘導型視覚適応モジュール(GVAM)を導入し、深度由来の構造的事前情報を抽出し、それらをマルチスケールの視覚的特徴に注入する。 さらに、構造表現から幾何対応のテキスト分類器を生成する、幾何条件付きプロンプトラーニング(GCPL)を開発した。 これらの幾何認識分類器は、オープン語彙のセマンティックアライメントを改善するために、固定および画像条件のテキスト分類器と統合される。 MARIS-OpenISベンチマークの実験によると、GeoPromptは最先端のパフォーマンスを実現し、水中のオープン語彙インスタンスセグメンテーションに一貫した改善をもたらす。

関連論文リスト

• Hierarchical Prompt Injector for Domain Generalization Segmentation [21.255611918751104]
  ドメイン一般化セマンティック(Domain Generalized Semantic, DGSS)は、ドメイン間で変化する低レベルな外観のキューに依存することが多いため、難しい課題である。 既存の手法では、構造的事前をDGSSモデルに転送するためにプロンプト学習を使用するが、通常、各クラスを単一の全体的プロンプトとしてエンコードする。 textbfSpatial Hierarchical Prompts (SHP) を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-09-05T03:56:00Z)
• LASA: A Weak Supervision Method for Open-Vocabulary Scene Sketch Semantic Segmentation [9.681252371247643]
  オープン語彙シーンのスケッチセマンティックセマンティックセマンティックセマンティックセマンティクスは、推論時に指定された柔軟なカテゴリ語彙に基づいて、疎線描画に密度の高いセマンティクスラベルを割り当てることを目的としている。 自然な画像とは異なり、スケッチにはテクスチャや色の手がかりがなく、セマンティックな理解はストロークのレイアウトや空間的な構成に大きく依存する。 textbfLayer-wise textbfAccumulated textbfStructural textbfAttention (textbfLASA) に基づく構造認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-10T09:17:36Z)
• Geospatial-Reasoning-Driven Vocabulary-Agnostic Remote Sensing Semantic Segmentation [13.743073097114461]
  オープンボキャブラリセマンティックセグメンテーションはリモートセンシングにおける有望な研究方向として浮上している。 本研究では,Geospatial Reasoning Chain-of-Thought(GR-CoT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-09T02:09:21Z)
• MARIS: Marine Open-Vocabulary Instance Segmentation with Geometric Enhancement and Semantic Alignment [56.88334234553316]
  我々は,水中オープンボキャブラリ(OV)セグメンテーションのための大規模なベンチマークであるtextbfMARIS (underlineMarine Open-Vocabulary underlineInstance underlineSegmentation)を紹介した。 当社のフレームワークは、既存のOVベースラインであるIn-DomainとCross-Domainの両方を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-10-17T07:50:58Z)
• Constrained Prompt Enhancement for Improving Zero-Shot Generalization of Vision-Language Models [57.357091028792325]
  ウェブスケールのデータに基づいて事前訓練された視覚言語モデル(VLM)は、ゼロショットの一般化を約束するが、しばしば意味的ミスアライメントに悩まされる。 視覚・テクストアライメントを改善するために,制約付きプロンプトエンハンスメント(CPE)法を提案する。 提案手法はTGSSG(Topology-Guided Synonymous Semantic Generation)とCADRS(Calegory-Agnostic Discriminative Region Selection)の2つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-08-24T15:45:22Z)
• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• Scene Graph Generation with Role-Playing Large Language Models [50.252588437973245]
  オープン語彙シーングラフ生成(OVSGG)に対する現在のアプローチは、CLIPのような視覚言語モデルを使用している。 シーン固有の記述に基づくOVSGGフレームワークであるSDSGGを提案する。 対象と対象の複雑な相互作用を捉えるために,相互視覚アダプタと呼ばれる軽量モジュールを提案する。
  論文  参考訳（メタデータ） (2024-10-20T11:40:31Z)
• Betrayed by Captions: Joint Caption Grounding and Generation for Open Vocabulary Instance Segmentation [80.48979302400868]
  オープンな語彙のインスタンスセグメンテーションに注目し、セグメンテーションモデルを拡張して、インスタンスレベルの新しいカテゴリを分類し、セグメンテーションする。 これまでは、画像領域と名詞の字幕間の1対1のマッピングを確立するために、大量の字幕データセットと複雑なパイプラインに頼っていた。 我々は,一致したオブジェクトのみに着目して学習効率を向上させる新しいグラウンドニング損失を取り入れた,共同の textbf Caption Grounding and Generation (CGG) フレームワークを考案した。
  論文  参考訳（メタデータ） (2023-01-02T18:52:12Z)

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。