論文の概要: From Visual Matching to Textual Conditioning: Cross-Domain Few-Shot Segmentation via Reference Inversion

• arxiv url: http://arxiv.org/abs/2611.04084v1
• Date: Mon, 02 Nov 2026 23:49:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:39:31.103028
• Title: From Visual Matching to Textual Conditioning: Cross-Domain Few-Shot Segmentation via Reference Inversion
• Title（参考訳）: ビジュアルマッチングからテクスチャコンディショニングへ:参照インバージョンによるクロスドメインFew-Shotセグメンテーション
• Abstract要約: Cross-Domain Few-Shot (CD-FSS) は、アノテーション付き参照のみを使用して、見えないドメインからオブジェクトを分割することを目的としている。 近年のSegment Anything Model (SAM) に基づく手法は,高度な CD-FSS を持つが,参照対象の視覚的マッチングはターゲットの外観変化に非常に敏感である。 SAM3はテキスト条件のセグメンテーションを導入し、自然言語による記述でターゲット画像間のセグメンテーションをガイドできる。
• 参考スコア（独自算出の注目度）: 84.36837139041145
• License:
• Abstract: Cross-Domain Few-Shot Segmentation (CD-FSS) aims to segment objects from unseen domains using only a few annotated references. Recent Segment Anything Model (SAM)-based methods have advanced CD-FSS, yet their reference-target visual matching is highly sensitive to target appearance variations. SAM3 introduces text-conditioned segmentation, enabling natural-language descriptions to guide segmentation across target images, but directly using the category name as the condition still yields unstable performance under severe domain shifts. We propose Reference Inversion for SAM3 (RI-SAM3) that leverages SAM3's large-scale vision-language pre-training to learn suitable textual tokens for each target category. RI-SAM3 comprises three core designs: (i) Bi-level Reference Inversion that learns complementary tokens before and after the frozen text encoder: the former remain anchored in SAM3's text space while the latter represent the category more flexibly; (ii) Layer-adaptive Textual Conditioning combines these tokens differently as object queries evolve across decoder layers; and (iii) Presence-aware Confidence Supervision that jointly supervises query confidence and target presence for reliable predictions. With SAM3 frozen, RI-SAM3 optimizes around 12K parameters only per category and it efficiently segments each target in a single forward pass with reusable textual conditioning without per-sample reference-target visual matching. Extensive experiments over multiple widely adopted benchmarks show that RI-SAM3 achieves superior performance consistently in CD-FSS tasks, together with strong robustness, efficiency, and generalization.
• Abstract（参考訳）: Cross-Domain Few-Shot Segmentation (CD-FSS)は、いくつかの注釈付き参照を使用して、見えないドメインからオブジェクトをセグメントすることを目的としている。 近年のSegment Anything Model (SAM) に基づく手法は,高度な CD-FSS を持つが,参照対象の視覚的マッチングはターゲットの外観変化に非常に敏感である。 SAM3はテキスト条件付きセグメンテーションを導入し、自然言語による記述でターゲット画像間のセグメンテーションをガイドするが、その条件としてカテゴリ名を直接使用すれば、厳しいドメインシフトの下でも不安定なパフォーマンスが得られる。 本稿では、SAM3の大規模視覚言語事前学習を活用して、ターゲットカテゴリごとに適切なテキストトークンを学習するSAM3の参照インバージョン(RI-SAM3)を提案する。 RI-SAM3は3つのコア設計で構成されている。 (i)凍結したテキストエンコーダの前後で補完トークンを学習するバイレベル参照インバージョン:前者はSAM3のテキスト空間に固定され、後者はより柔軟にカテゴリを表す。 (ii)レイヤ適応型テキストコンディショニングは、デコーダ層間でオブジェクトクエリが進化するにつれて、これらのトークンを異なる方法で組み合わせます。 三 確実な予測のために、問合せ信頼性及び目標存在を共同で監督する存在認識信頼監視 SAM3の凍結により、RI-SAM3はカテゴリ毎に約12Kのパラメータを最適化し、サンプルごとの参照とターゲットのビジュアルマッチングなしで、再利用可能なテキスト条件付きで、各ターゲットを単一のフォワードパスで効率的にセグメント化する。 複数の広く採用されているベンチマークに対する大規模な実験により、RI-SAM3は強い堅牢性、効率、一般化とともに、CD-FSSタスクにおいて一貫して優れた性能を達成することが示された。

関連論文リスト

• Visual Memory and Textual Alignment for Cross-Modal Few-Shot Segmentation [34.461133608619015]
  Few-shot segmentation (FSS) は、限定的なアノテーション付き例でターゲットオブジェクトをセグメントすることを目的としている。 近年, この課題の一般化をめざすため, 大規模な基礎モデルの研究が進められている。 モーダルアライメントにより視覚記憶とテキスト機能を統合するフレームワークであるViTA-SAMを提案する。
  論文  参考訳（メタデータ） (2026-10-19T01:35:43Z)
• EOVSAM: Efficient Open-Vocabulary Segmentation with SAM 3 in One Pass [79.69317943751223]
  SAM 3 (EOVSAM) を用いた効率的な開語彙セグメンテーションフレームワークを提案する。 EOVSAMはSAM 3をシングルパス予測に適応させる。 評価されたすべてのデータセットにおいて、バニラSAM 3よりもセグメンテーション精度が一貫して向上する。
  論文  参考訳（メタデータ） (2026-08-03T14:15:37Z)
• CLIP-Guided SAM: Parameter-Efficient Semantic Conditioning for Promptable Segmentation [6.517222960194991]
  内部的セマンティック・コンディショニングに基づくパラメータ効率のセグメンテーションフレームワークであるCLIP-Guided SAMを提案する。 セマンティック信号のみを使用してプロンプトを生成する代わりに、CLIP由来のテキスト、ビジョン、および類似機能をSAMの画像エンコーダに直接注入する。 我々のフレームワークは低ラベルデータ設定用に設計されており、汎用ベンチマークと特化下流タスクの両方に適用できる。
  論文  参考訳（メタデータ） (2026-05-24T01:40:30Z)
• Do Instance Priors Help Weakly Supervised Semantic Segmentation? [82.75875820720616]
  SeSAMは、セグメンテーションモデル(Segment Anything Model、SAM)と弱いラベルを持つフレームワークである。 SeSAMはクラスマスクを接続されたコンポーネントに分解し、オブジェクトスケルトンに沿ってサンプルポイントプロンプトを抽出し、弱いラベルカバレッジを使用してSAMマスクを選択し、擬似ラベルを使用してラベルを反復的に洗練する。 SeSAMは、半教師付き学習フレームワークと統合され、基底構造ラベル、SAMベースの擬似ラベル、高信頼の擬似ラベルのバランスをとる。
  論文  参考訳（メタデータ） (2026-04-13T08:29:49Z)
• SAM3-I: Segment Anything with Instructions [86.92593395772029]
  SAM3-Iは概念レベルの理解と命令レベルの推論をSAMファミリー内で統合する拡張フレームワークである。 我々は,概念,単純かつ複雑なレベルにまたがる構造的命令分類を設計し,多様な命令マスク対を持つデータセットを構築するためのスケーラブルなデータエンジンを開発する。
  論文  参考訳（メタデータ） (2025-12-04T09:00:25Z)
• ViRefSAM: Visual Reference-Guided Segment Anything Model for Remote Sensing Segmentation [21.953205396218767]
  ViRefSAMはSAMをガイドする新しいフレームワークで、いくつかの注釈付き参照イメージしか利用していない。 RS画像にまたがるクラス一貫性オブジェクトの自動セグメンテーションを可能にする。 さまざまなデータセット間で、既存の数ショットセグメンテーションメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-03T04:06:04Z)
• Talk2SAM: Text-Guided Semantic Enhancement for Complex-Shaped Object Segmentation [0.0]
  本研究では,オブジェクトセグメンテーションを改善するためにテキストガイダンスを統合する新しいアプローチであるTalk2SAMを提案する。 ユーザが提供するテキストプロンプトから派生したCLIPベースの埋め込みを使用して、関連する意味領域を識別する。 Talk2SAMはSAM-HQを一貫して上回り、IoUは+5.9%、IoUは+8.3%である。
  論文  参考訳（メタデータ） (2025-06-03T19:53:10Z)
• SAM-CP: Marrying SAM with Composable Prompts for Versatile Segmentation [88.80792308991867]
  Segment Anything Model (SAM)は、イメージピクセルをパッチにグループ化する機能を示しているが、セグメンテーションにそれを適用することは依然として大きな課題に直面している。 本稿では,SAM-CPを提案する。SAM-CPはSAM以外の2種類の構成可能なプロンプトを確立し,多目的セグメンテーションのために構成する単純な手法である。 実験により、SAM-CPはオープンドメインとクローズドドメインの両方においてセマンティック、例、およびパノプティックセグメンテーションを達成することが示された。
  論文  参考訳（メタデータ） (2024-07-23T17:47:25Z)

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。