付加製造（AM）におけるX線コンピュータ断層撮影（XCT）画像の欠陥セグメンテーションは、深刻なクラス不均衡やスキャン条件間の大きな分布シフトにより、依然として困難な課題です。最近のSegment Anything Model（SAM）のような基盤モデルは強力な汎用セグメンテーションの事前知識を提供しますが、自然画像での事前学習はAM XCT領域への転移が不十分であり、欠陥は微妙な非意味的微構造異常として現れます。さらに、大きなドメインギャップとラベル付き実XCTデータの不足により、SAMのAM領域への適応はさらに制限されています。
これらの課題に対応するため、アメリカの研究チームはXCT-SAMフレームワークを提案しました。これは、AM XCT欠陥セグメンテーションのための逐次パラメータ効率的適応手法です。SAMを自然画像からXCTデータに直接適応させる代わりに、XCT-SAMは2段階の適応戦略を採用しています。まず合金微細構造データセットでConv-LoRAアダプタを微調整し、その後適応したモデルをXCT画像に転移することで、段階的にドメインギャップを埋めます。ランクr=2のConv-LoRAアダプタを使用することで、このフレームワークはSAMのバックボーンに畳み込み空間帰納バイアスを注入し、約415万のパラメータのみを訓練し、モデルの99%以上を凍結することで、パラメータ効率的な適応を実現します。
研究チームは、分布外のCycleGAN-XCTベンチマークと実世界のNIST XCTスキャンでXCT-SAMを包括的に評価しました。両方の設定において、XCT-SAMはゼロショットSAMや他のドメイン適応SAMベースラインを一貫して上回り、最高の全体的なIoUおよびDiceスコアを達成しました。具体的には、CycleGAN-XCTベンチマークでは、XCT-SAMのIoUとDiceスコアはベースライン手法を大幅に上回りました。NIST実スキャンでも同様に優れた性能を示しました。これらの結果は、産業用XCT欠陥セグメンテーションにおける中間ドメイン適応とパラメータ効率的アダプタの有効性を強く示しています。
本論文はIAPR産業検査機械ビジョンワークショップ（MVI2）に採択され、ICPR 2026で発表される予定です。研究チームはソースコードをGitHubで公開しており、関連分野の研究と応用に強力なツールを提供しています。この研究は、産業用XCT欠陥セグメンテーション技術を進展させるだけでなく、より広範なコンピュータビジョンアプリケーションにおけるパラメータ効率的ドメイン適応手法の使用に新たな道を開くものです。