AquaProbe：水中画像向け凍結視覚モデルの効率的適応

- 水中画像に対する視覚モデルの適応手法 AquaProbe を提案する論文。 - 陸上画像で pretrained された vision model は、turbidity・backscatter・波長依存 attenuation により水中では信頼性が低下する。 - AquaProbe は「domain gap の位置が水の種類や imaging range によってどう変化するか」を測定する。 - 測定した profile に応じて固定の LoRA budget を配分する適応手法。 - 水中セグメンテーションタスクで評価。

- 既存の適応手法は、adapter を encoder の深さ方向に均等配置するか、2つの固定 domain 間の divergence で層を選択していた。 - AquaProbe は層選択を固定 domain 間の divergence に頼らず、水の種類・imaging range ごとに domain gap の位置が変化することを測定する点が異なる。 - 同一パラメータ予算(0.59 million adapter parameters)で、均等な LoRA rank allocation より 1.9 mIoU ポイント良い 70.1 mIoU を達成。 - 条件クラスタに条件付けられた three-way router により、標準 SUIM split で 70.6 mIoU、held-out degradation 下の AUDRC で 63.4 を達成。

- 新たに導入される divergence と、frozen vision encoder を通じて蓄積される divergence を分離して測定する。 - そのために paired clean 画像と physically rendered 画像を用いる。 - 測定した profile に基づき、固定の LoRA budget を比例的に rank allocation する。 - 推定した condition cluster に条件付けられた three-way router を備える。 - 詳細な学習手順やレンダリング手法は要旨からは不明。

- 水中セグメンテーションの mIoU で評価。 - 比例的な LoRA rank allocation は 70.1 mIoU で、同一の 0.59 million adapter parameters 予算の uniform LoRA rank allocation を 1.9 mIoU ポイント上回った。 - three-way router は標準 SUIM split で 70.6 mIoU。 - held-out degradation 下で AUDRC 63.4 を達成。 - 具体的なデータセット構成や比較対象の詳細は要旨からは不明。

- 要旨からは不明。 - 測定 profile の一般性や、他の水中条件・タスクへの拡張性についての議論は要旨に記載なし。 - three-way router の condition cluster 推定誤差の影響も要旨からは不明。

- 要旨で参照/比較されている既存手法: encoder 深さ方向に adapter を均等配置する手法、2つの固定 domain 間の divergence で層選択する手法、uniform LoRA rank allocation。 - 関連データセット/ベンチマーク: SUIM、AUDRC。 - 関連技術: LoRA、physically rendered images を用いた domain gap 測定。 - 具体的な論文名は要旨に記載がないため不明。