arXiv cs.AI· Vinita Shukla, Partibha Jangra, Vinayak Pathak, Praful Hambarde, Amit Shukla·· 12 小时前AI 评分18
DROA-CLIPSeg：低光照条件下的提示引导细裂缝分割
DROA-CLIPSeg: Prompt-Guided Thin Crack Segmentation in Low-Light Conditions
AI 导读
DROA-CLIPSeg 通过冻结 CLIPSeg 视觉语言主干并注入 QKV Low-Rank Adaptation 与 Domain Residual Orthogonal Adapter 两个轻量模块，实现低光照路面裂缝分割。
正文 · AI 翻译
摘要：低光照下的路面裂缝分割会因对比度降低、阴影、车灯眩光、接缝、污渍和潮湿接缝而退化。现有的裂缝分割方法大多假设光照良好。低光照增强方法改善了视觉质量，但并未显式保留裂缝拓扑结构。为解决这些局限，我们将低光照裂缝分割表述为一个退化感知、提示引导的结构缺陷分割问题，并提出 DROA-CLIPSeg，这是一个参数高效的框架，使用两个轻量级模块对冻结的 CLIPSeg 视觉语言骨干进行适配。QKV 低秩适配被注入视觉编码器和文本编码器的 Q/K/V 投影中，以改善裂缝特定的图像文本对齐，而无需微调骨干。所提出的域残差正交适配器（DROA）将中间特征分解为主导的裂缝域分支和正交残差分支，前者捕获反复出现的低光照裂缝模式，后者保留通常被噪声、阴影或过度平滑所抑制的微弱、细小和碎片化证据。我们还引入了 CrackLingo-9K 和 CrackLingo-12K，这是 Crack9k 和 Crack12k 的文本增强版本，带有裂缝感知提示。DROA-CLIPSeg 仅训练约 1.93 M 参数，相当于完整模型的 1.3%，在两个划分上均优于 9 个零样本和 4 个微调的视觉语言基线，并零样本泛化到 MVTec AD 的多种纹理和缺陷形态，且得到了大量消融实验的支持。我们的源代码公开于 此 https URL
| 评论： | 被第 37 届英国机器视觉会议（BMVC 2026）接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.33635 [cs.CV] |
| （或 arXiv:2610.33635v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.33635 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Vinita Shukla [查看电子邮件]
[v1]
2026 年 10 月 24 日星期六 12:29:27 UTC（5,067 KB）
来源：arXiv cs.AI · arxiv.org