R4Tun: LLM-guided adaptive segmental tunnel lining segmentation in point clouds

📄 arXiv: 2609.11360v1 📥 PDF

作者: Xinghui Tao, Zehao Ye, Guangming Wang, Jelena Ninić, Brian Sheil

分类: cs.CV

发布日期: 2026-09-10

💡 一句话要点

提出R4Tun以解决隧道衬砌分割的自适应问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 隧道衬砌 自适应分割 大型语言模型 3D点云 自动化检测 结构化上下文 性能提升

📋 核心要点

  1. 现有的隧道衬砌分割方法在面对不同隧道条件时，性能往往下降，缺乏自适应能力。
  2. R4Tun通过结合大型语言模型和结构化上下文，提出了一种新的自适应分割框架，增强了分割的灵活性和准确性。
  3. 实验结果表明，R4Tun在多个复杂场景下显著提高了分割性能，mIoU提升至0.784-0.796，展示了其有效性。

📝 摘要（中文）

自动化检查分段隧道衬砌需要从3D点云中进行自适应分割，但现有的专家调优管道在隧道条件变化时往往表现不佳。本文提出了R4Tun，一个基于大型语言模型（LLM）的适应框架，通过结构化上下文（记忆、状态和知识）来扩展专家设计的管道（SAM4Tun）。在30个选定的Seg2Tunnel子集上进行评估，R4Tun的设计使得平均交并比（mIoU）从0.18提升至0.43-0.48，整体准确率（OA）从0.42提升至0.59-0.65，相较于静态的SAM4Tun基线，表现显著提升。R4Tun作为一种可控的、无标签的跨LLM适应机制，展示了一致的准确性提升。

🔬 方法详解

问题定义：本文旨在解决隧道衬砌的自动化检查中，现有方法在不同隧道条件下性能下降的问题。现有的专家调优管道在面对复杂环境时，往往无法适应变化，导致分割效果不理想。

核心思路：R4Tun的核心思路是利用大型语言模型（LLM）驱动的适应框架，通过结构化的上下文信息（记忆、状态、知识）来调整分割参数，从而实现自适应分割。这样的设计使得模型能够在不同条件下保持较高的分割精度。

技术框架：R4Tun的整体架构包括三个主要模块：1) 结构化上下文模块，负责收集和处理记忆、状态和知识信息；2) 参数调整模块，基于上下文信息动态调整分割参数；3) 分割执行模块，应用调整后的参数进行实际的点云分割。

关键创新：R4Tun的主要创新在于其无标签的自适应机制，能够在不同的LLM之间共享调整策略，确保了模型在多种环境下的稳定性和准确性。这与传统方法依赖于固定参数设置的方式有本质区别。

关键设计：在R4Tun中，关键参数的设置是基于上下文信息的动态调整，损失函数设计考虑了分割精度和适应性，网络结构则采用了模块化设计，以便于在不同的LLM上进行迁移和应用。具体的参数调整策略和上下文信息的整合方式在实验中得到了验证。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在30个隧道子集的实验中，R4Tun的mIoU从0.18提升至0.43-0.48，整体准确率从0.42提升至0.59-0.65，尤其在常规（交错）子集上，mIoU达到0.784-0.796，显示出显著的性能提升。实验结果表明，R4Tun在不同LLM之间具有一致的参数调整趋势，确保了模型的稳定性。

🎯 应用场景

R4Tun的研究成果在隧道工程、城市基础设施维护和自动化检测等领域具有广泛的应用潜力。通过提高隧道衬砌的分割精度，能够有效支持隧道的安全检查和维护决策，降低人工成本，提升工作效率。未来，该技术还可以扩展到其他复杂环境的三维点云处理任务中。

📄 摘要（原文）

Automated inspection of segmental tunnel linings requires adaptive segmentation from 3D point clouds, yet expert-tuned pipelines often degrade when tunnel conditions vary. This paper presents R4Tun, a large language model (LLM)-driven adaptation framework that extends an expert-designed pipeline (SAM4Tun) with bounded parameter tuning informed by structured context: memory ($m$), state ($s$), and knowledge ($k$). Evaluated on 30 selected Seg2Tunnel subsets (13 regular, 17 complex) across three LLMs, the full $m+s+k$ design raised mean Intersection-over-Union (mIoU) from 0.18 to 0.43--0.48 and overall accuracy (OA) from 0.42 to 0.59--0.65 relative to the static SAM4Tun baseline, with the near-reference regular (staggered) subsets reaching mIoU 0.784--0.796 across LLMs. Across 270 (30 tunnels $\times$ 3 different LLMs $\times$ 3 context settings) runs, the LLMs showed similar parameter-adjustment trends (with overlapping 95\% CIs on mean gains) and consistently adjusted a shared set of critical parameters. These results support R4Tun as a controlled, label-free, cross-LLM adaptation mechanism in the tested SAM4Tun--Seg2Tunnel setting, demonstrating consistent accuracy gains; we position R4Tun as a mechanism contribution rather than a deployable final-inspection system, in which each bounded parameter change is auditable via logged rationales.