論文の概要: Spectral Invariant Fusion and Refinement for Domain Generalized Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2610.39926v1
• Date: Thu, 29 Oct 2026 12:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.084672
• Title: Spectral Invariant Fusion and Refinement for Domain Generalized Semantic Segmentation
• Title（参考訳）: 領域一般化セマンティックセマンティックセグメンテーションのためのスペクトル不変核融合と微細化
• Abstract要約: ドメインの一般化されたセマンティックセグメンテーションは、トレーニング中にターゲットドメインデータにアクセスすることなく、目に見えないドメインに対して正確な密な予測を必要とするため、難しい。 本稿では,融合段階と復号段階の両方でドメインシフトに取り組む,周波数対応のデュアルストリームフレームワークであるSIFRを提案する。
• 参考スコア（独自算出の注目度）: 66.09156583871162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalized semantic segmentation is challenging because it requires accurate dense prediction on unseen domains without any access to target-domain data during training. Existing methods improve transferability through data diversification, invariant learning, or direct use of foundation models, but they often struggle to simultaneously suppress domain-sensitive interference and preserve fine-grained spatial cues. In this work, we propose SIFR, a frequency-aware dual-stream framework that tackles domain shift at both the fusion and decoding stages. SIFR uses spectral modeling as a unified principle to regulate both heterogeneous prior interaction and dense decoder refinement. Instead of directly fusing frozen CLIP and DINOv2 features, SIFR performs spectral-guided invariant fusion to filter out domain-sensitive responses while preserving complementary semantic and structural information. In addition, SIFR incorporates a spectral decoder refinement module that stabilizes multi-scale decoder features through low-frequency statistics-based normalization and adaptive frequency selection, thereby reducing the propagation of residual domain bias in dense prediction. This design enables SIFR to jointly improve domain robustness and segmentation precision under severe distribution shifts. Extensive experiments on multiple DGSS benchmarks, including synthetic-to-real, real-to-real, and adverse-weather settings, demonstrate consistent improvements over previous state-of-the-art methods.
• Abstract（参考訳）: ドメインの一般化されたセマンティックセグメンテーションは、トレーニング中にターゲットドメインデータにアクセスすることなく、目に見えないドメインに対して正確な密な予測を必要とするため、難しい。 既存の方法は、データの多様化、不変学習、あるいは基礎モデルの直接利用を通じて転送可能性を改善するが、ドメイン依存的干渉を同時に抑制し、きめ細かい空間的手がかりを維持するのに苦労することが多い。 本研究では、融合と復号の両段階でのドメインシフトに対処する周波数対応のデュアルストリームフレームワークであるSIFRを提案する。 SIFRはスペクトルモデリングを統一原理として、不均一な先行相互作用と高密度デコーダの微細化の両方を規制している。 凍結したCLIPとDINOv2の機能を直接融合させる代わりに、SIFRはスペクトル誘導不変核融合を行い、補完的な意味情報と構造情報を保存しながらドメイン感受性の応答をフィルタリングする。 さらに、SIFRは、低周波数統計に基づく正規化と適応周波数選択により、マルチスケールデコーダ特性を安定化するスペクトルデコーダリファインメントモジュールを組み込み、密度予測における残留領域バイアスの伝播を低減する。 この設計により、SIFRは高度分布シフト下でのドメインの堅牢性とセグメンテーション精度を共同で向上することができる。 複数のDGSSベンチマークにおいて、合成から現実、現実、悪天候設定を含む大規模な実験は、従来の最先端手法よりも一貫した改善を示している。

関連論文リスト

• Prompt-Driven Simulation with Feature Perturbation for Cross-Domain Few-Shot Object Detection [8.13477193884434]
  PSP-FSODは、プロンプト駆動型ドメインシミュレーションと機能摂動正規化を統合した、原則化されたフレームワークである。 PSP-FSODは高品質なドメイン多様性の監視を行い、ドメイン不変表現を学習する。
  論文  参考訳（メタデータ） (2026-08-02T16:11:16Z)
• Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs [59.973833105841685]
  対向移動性を改善するための重要な課題は、異なるモデル間で共有される本質的な視覚的焦点を効果的に捉えることである。 本稿では、FRA-Attackを提案する。このFRA-Attackは、周波数領域の統一正規化の観点から、両方の課題に対処する。 機能アライメントのために、パッチ機能に対する高パスDCTは、冗長なグローバル構造を抑圧し、MLLMの固有の視覚的焦点を持つ高周波帯域の損失に集中する。 勾配最適化のために、代用勾配を変調するテキストモデルに依存しない低パス正規化器である周波数領域勾配正規化(FGR)を導入する。
  論文  参考訳（メタデータ） (2026-05-20T08:15:56Z)
• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• Cross-Domain Transfer with Self-Supervised Spectral-Spatial Modeling for Hyperspectral Image Classification [5.784164305429653]
  本稿では,自己管理型クロスドメイン転送フレームワークを提案する。 ソースラベルなしで伝送可能なスペクトル-空間結合表現を学習する。 実験結果は、安定した分類性能と強いクロスドメイン適応性を示す。
  論文  参考訳（メタデータ） (2026-01-26T02:52:35Z)
• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• Evidential Deep Learning with Spectral-Spatial Uncertainty Disentanglement for Open-Set Hyperspectral Domain Generalization [5.770351255180493]
  ハイパースペクトル画像分類のための新しいオープンセット領域一般化フレームワークを提案する。 このフレームワークは、SIFD(Spectrum-Invariant Frequency Disentanglement)、DCRN(Dual-Channel Residual Network)、EDL(Evidential Deep Learning)、SSUD(Spectral-Spatial Uncertainty Disentanglement)の4つの重要なコンポーネントを組み合わせている。 実験結果から,本手法は最先端のドメイン適応手法に匹敵する性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-06-11T07:07:14Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)

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。