トポロジーを考慮した最適輸送による異常セグメンテーションのテスト時適応

TL;DR（結論）

従来の異常セグメンテーションは、分布シフトに対して脆弱な固定の閾値設定に依存しており、未知のドメインやノイズに対して精度が著しく低下する課題がありました。本研究では、トポロジー的データ解析（TDA）と最適輸送（OT）を統合した「TopoOT」を提案し、データの幾何学的構造の持続性を利用して、閾値に依存しない安定した擬似ラベルを生成する仕組みを構築しました。検証の結果、2Dおよび3Dの主要ベンチマークにおいて従来手法を最大24.1%上回る性能を達成し、121 FPSという高速な処理速度と低メモリ消費を両立しつつ、多様なバックボーンへの高い適応能力を示しました。

なぜこの問題か

異常セグメンテーション（AS）は、画像内の異常な領域を画素単位で特定するタスクであり、産業検査や医療診断において極めて重要ですが、実運用における「分布シフト」が大きな障壁となっています。多くの既存手法は、正常なデータのみを用いて学習を行い、推論時に異常スコアマップを生成しますが、最終的な判定には特定の閾値を用いた二値化が必要です。しかし、これらの閾値は特定のデータセットやカテゴリに基づいて調整されているため、テストデータのドメインがわずかに変化しただけで、異常領域を過小評価したり過剰に検出したりする「脆弱性」を抱えています。また、既存のテスト時適応（TTA）やテスト時訓練（TTT）のアプローチは、エントロピーの最小化や特徴量の一貫性に依存することが多く、データの幾何学的な構造やトポロジー的な性質を明示的に考慮していません。 異常は単なる局所的な画素値の変動ではなく、接続性や境界、形状といった大域的な構造の乱れとして現れることが多いため、従来の画素単位のヒューリスティックな手法では、構造的な整合性を保つことが困難でした。…

核心：何を提案したのか

本研究では、トポロジー的データ解析（TDA）と最適輸送（OT）を組み合わせることで、構造を考慮したテスト時適応を実現する新しいフレームワーク「TopoOT」を提案しました。この手法の核心は、異常マップから抽出されたトポロジー的特徴を、最適輸送を用いて時間的・空間的に整列させることで、信頼性の高い擬似ラベルを生成する点にあります。具体的には、持続的ホモロジー（Persistent Homology）を利用して、異なるスケールで持続する接続成分や穴（ボイド）などの構造的不変量を捉えます。これにより、異常を単なるノイズではなく、大域的な構造の破壊として定義することが可能になります。 TopoOTの主要な革新の一つは「最適輸送チェイニング（Optimal Transport Chaining）」と呼ばれる仕組みです。…

続きはログイン/プランで閲覧できます。