Resumen: La escasez de datos que representan situaciones peligrosas presenta un obstáculo importante para capacitar a los sistemas de inteligencia artificial para aplicaciones críticas de seguridad, como la seguridad de la construcción, donde las barreras éticas y logísticas obstaculizan la recopilación de datos del mundo real. Esto crea una necesidad urgente de un marco de extremo a extremo para generar datos sintéticos que puedan cerrar esta brecha. Si bien los métodos existentes pueden producir escenas sintéticas, a menudo carecen de la profundidad semántica requerida para las simulaciones de escenas, lo que limita su efectividad. Para abordar esto, proponemos un nuevo marco de agente múltiple que emplea una colaboración iterativa en el circuito entre dos agentes: un agente evaluador, que actúa como un juez basado en LLM para hacer cumplir la consistencia semántica y las restricciones específicas de seguridad, y un agente editor, que genera y refina escenas basadas en esta guía. Impulsado por las capacidades de LLM para el razonamiento y el conocimiento de sentido común, este diseño colaborativo produce imágenes sintéticas adaptadas a escenarios de seguridad crítica. Nuestros experimentos sugieren que este diseño puede generar escenas útiles basadas en especificaciones realistas que abordan las deficiencias de los enfoques anteriores, equilibrando los requisitos de seguridad con la semántica visual. Este proceso iterativo es prometedor para ofrecer simulaciones robustas y estéticamente sólidas, ofreciendo una solución potencial al desafío de escasez de datos en aplicaciones de seguridad multimedia.
Publicado Originalme en rss.arxiv.org El 20 de mayo de 2025.
Ver Fuente Original
