パノラマ分布外セグメンテーション

- 360°画像による全方向知覚のための新しいタスク「Panoramic Out-of-distribution Segmentation (PanOoS)」を提案する研究。 - パノラマ画像中で既知クラスに属さないoutlierを検出しつつ、安全で包括的なscene understandingを目指す。 - 最初の解法としてPOS (Panoramic Out-of-distribution Segmentation model) を提案。 - あわせてDenseOoSとQuadOoSの2つのベンチマークを構築。

- 既存のpanoramic semantic segmentationはoutlierを識別できず、pinhole向けOoSモデルはpanoramic領域でpixel distortionやbackground clutterにより性能不足。 - このギャップに対しPanOoSタスクを新設し、最初の解法POSを提示。 - DenseOoSでAuPRCが34.25%向上、FPR95が21.42%低下し、state-of-the-artのpinhole-OoS手法を上回る。 - closed-set segmentationでもleadingな性能を示す。

- text-guided prompt distribution learningによりpanoramic画像特性へ適応。 - CLIPのcross-domain generalization能力を引き出すdisentanglement strategyを統合。 - Prompt-based Restoration Attention (PRA) がprompt guidanceとself-adaptive correctionでsemantic decodingを最適化。 - Bilevel Prompt Distribution Learning (BPDL) がsemantic prototype supervisionによりper-pixel mask embeddingsのmanifoldを精緻化。

- DenseOoSとQuadOoSの2つのベンチマークを構築して評価。 - DenseOoSは複雑環境下の多様なoutlierを含み、QuadOoSはquadruped robotとpanoramic annular lens systemで取得。 - 広範な実験でPOSの優位性を確認。AuPRC +34.25%、FPR95 -21.42% (DenseOoS)。 - pinhole-OoSのstate-of-the-art手法との比較で上回り、closed-set segmentationでもleading性能を確認。

- PanOoSデータセットの不足を補うため2つのベンチマークを構築した点が議論の前提。 - pixel distortionやbackground clutterへの対処がpanoramic OoSの課題として提示。 - 具体的な限界や失敗事例、計算コスト、real-time性に関する議論は要旨からは不明。 - コードとデータセット公開予定 (https://github.com/MengfeiD/PanOoS)。

- pinhole Out-of-distribution Segmentation (OoS) のstate-of-the-art手法（比較対象として言及）。 - CLIP（cross-domain generalizationの基盤として言及）。 - panoramic semantic segmentationの既存研究（outlier未対応として言及）。 - 関連する定番としてoutlier exposureやenergy-based OoD detection、mask embeddingに基づくsegmentation系OoS研究。