低空ドローンから撮影された画像における指称セグメンテーションでは、複雑な言語的・空間的制約のもとで、小さく見た目が似通ったインスタンスを見分ける必要がある。大域的な推論だけでは複数のもっともらしいマスクが得られたり、意図された対象が十分に表現されなかったりすることがあり、選択的な局所再推論が動機づけられる。そこで研究チームは、競合する指称仮説と未解決状態に応じて追加の推論パスを割り当てる不一致駆動型フレームワークDRA-SAMを提案した。
DRA-SAMは二つの主要な要素から成る。第一に、軽量なEvidenceScorerが既存の候補と未解決状態に対する信念を推定する。第二に、訓練を必要としないReferential Disagreement LOOKポリシーが、信念で重み付けした候補間の競合と未解決領域のカバレッジのバランスを取り、局所再推論の対象となるクロップを選び出す。選ばれた領域はベンチマーク向けに適応された同一のSAM3-Iバックボーンで処理され、得られた証拠は既存の仮説を更新するとともに新たな候補を導入する。
評価はRIS-LADとUAVid-RISの二つの低空ドローン指称セグメンテーション・ベンチマークで行われた。比較対象の中でDRA-SAMは、RIS-LADとUAVid-RISの両方について7つのテスト指標のうち6つで最先端性能を達成し、mIoUや[email protected]から[email protected]を含む指標で優位に立った。RIS-LADの検証指標では7つすべてで最良となっている。具体的には、RIS-LADにおいて対応する大域SAM3-Iベースラインを49.55から52.34 mIoUへ、[email protected]を46.80から58.05へ改善した。UAVid-RISでは、独立に適応したDRA-SAMが73.26 mIoUと86.86 [email protected]を記録している。
さらに、クロップポリシーを制御した比較実験により、不一致に基づくクロップ選択が有効であることが示された。目標サイズ別の分析では、画像全体の1%未満しか占めない空中目標に対して特に大きな改善が見られ、低空ドローン場面で最も困難な対象に効果が集中していることが分かる。これらの結果は、指称の不一致が局所推論へ計算資源を配分するための有効な判断基準となることを示している。論文は10ページ・図5点で構成され、コードはGitHubで公開されている。