R4Tun: сегментация адаптивной сегментной обделки туннеля с помощью LLM в облаках точек

🚇 R4Tun: авторы предлагают способ адаптивной сегментации сегментной обделки тоннелей по 3D-облакам точек. Задача практичная: при автоматизированном обследовании тоннелей экспертно настроенные алгоритмы часто теряют точность, когда меняются условия съемки или геометрия объекта. Суть метода — надстройка над существующим пайплайном SAM4Tun: большая языковая модель подбирает ограниченные изменения параметров, опираясь на структурированный контекст: память, состояние и знания. На 30 поднаборах Seg2Tunnel средний mIoU вырос с 0,18 до 0,43–0,48, а общая точность — с 0,42 до 0,59–0,65. Научная новизна здесь не в «замене» алгоритма компьютерного зрения, а в контролируемой LLM-настройке параметров без разметки, с журналированием обоснований. Ограничение авторы тоже фиксируют: R4Tun рассматривается как механизм, проверенный в связке SAM4Tun–Seg2Tunnel, а не как готовая система финальной инспекции.