Fugu-MT 論文翻訳(概要): Push-Forward Signed Distance Functions enable interpretable and robust continuous shape quantification

論文の概要: Push-Forward Signed Distance Functions enable interpretable and robust continuous shape quantification

arxiv url: http://arxiv.org/abs/2410.21004v1
Date: Mon, 28 Oct 2024 13:28:21 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-29 12:20:39.512172
Title: Push-Forward Signed Distance Functions enable interpretable and robust continuous shape quantification
Title（参考訳）: Push-Forward Signed Distance Functionは、解釈可能でロバストな連続形状の定量化を可能にする
Authors: Roua Rouatbi, Juan Esteban Suarez, Ivo F. Sbalzarini,
Abstract要約: Push-Forward Signed Morphometric (PF-SDM) はバイオメディカルイメージングにおける形状定量化の新しい手法である。 PF-SDMは、そのトポロジカル骨格や対称性を含む形状の幾何学的性質を効果的に捉えている。
参考スコア（独自算出の注目度）: 1.433758865948252
License:
Abstract: We introduce the Push-Forward Signed Distance Morphometric (PF-SDM), a novel method for shape quantification in biomedical imaging that is continuous, interpretable, and invariant to shape-preserving transformations. PF-SDM effectively captures the geometric properties of shapes, including their topological skeletons and radial symmetries. This results in a robust and interpretable shape descriptor that generalizes to capture temporal shape dynamics. Importantly, PF-SDM avoids certain issues of previous geometric morphometrics, like Elliptical Fourier Analysis and Generalized Procrustes Analysis, such as coefficient correlations and landmark choices. We present the PF-SDM theory, provide a practically computable algorithm, and benchmark it on synthetic data.
Abstract（参考訳）: 本稿ではPF-SDM(Push-Forward Signed Distance Morphometric)について紹介する。 PF-SDMは、トポロジカル骨格や放射対称性を含む形状の幾何学的性質を効果的に捉えている。これにより、時間的形状のダイナミクスを捉えるために一般化する頑健で解釈可能な形状記述子が得られる。重要な点として、PF-SDMは、楕円フーリエ解析や一般化プロクリスト解析(係数相関やランドマーク選択など)のような過去の幾何学的形態学の特定の問題を避ける。本稿では、PF-SDM理論を提示し、実用的な計算可能なアルゴリズムを提供し、合成データにベンチマークする。

関連論文リスト

Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文参考訳（メタデータ） (2024-10-16T20:36:41Z)
Shape-informed surrogate models based on signed distance function domain encoding [8.052704959617207]
パラメータ化偏微分方程式(PDE)の解を近似する代理モデルを構築するための非侵入的手法を提案する。我々のアプローチは2つのニューラルネットワーク(NN)の組み合わせに基づいている。
論文参考訳（メタデータ） (2024-09-19T01:47:04Z)
Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
論文参考訳（メタデータ） (2024-02-04T06:37:38Z)
Basis restricted elastic shape analysis on the space of unregistered surfaces [10.543359560247847]
本稿では,表面解析のための新しい数学的および数値的枠組みを提案する。私たちが開発しているアプローチの特異性は、許容変換の空間を変形場の予め定義された有限次元基底に制限することである。我々は、人体形状やポーズデータ、人間の顔スキャンに対するアプローチを具体的に検証し、形状登録、移動移動、ランダムポーズ生成といった問題に対して、一般的に最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-11-07T23:06:22Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Image2SSM: Reimagining Statistical Shape Models from Images with Radial Basis Functions [4.422330219605964]
統計的形状モデリングのための新しい深層学習手法であるImage2SSMを提案する。 Image2SSMは、画像から直接形状の放射基底関数(RBF)に基づく表現を学習する。解剖学的形状のアンサンブルの統計的ランドマークに基づく形状モデルを構築することにより、生物学的構造の個体群を特徴付けることができる。
論文参考訳（メタデータ） (2023-05-19T18:08:10Z)
GNPM: Geometric-Aware Neural Parametric Models [6.620111952225635]
本研究では,データの局所的構造を考慮し,ゆがんだ形状を学習し,4次元力学の潜在空間を呈する学習パラメトリックモデルを提案する。我々は、人間の様々なデータセット上でGNPMを評価し、訓練中に高密度の通信を必要とする最先端の手法に匹敵する性能を発揮することを示す。
論文参考訳（メタデータ） (2022-09-21T19:23:31Z)
Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文参考訳（メタデータ） (2021-06-14T17:19:44Z)
A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文参考訳（メタデータ） (2021-05-06T17:36:55Z)
ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文参考訳（メタデータ） (2021-02-16T04:07:13Z)
Shape Estimation for Elongated Deformable Object using B-spline Chained Multiple Random Matrices Model [5.94069939063928]
伸縮変形可能な物体の幾何学的特性をモデル化するために, B-スプライン鎖型多元ランダム行列表現を提案する。予測最大化(EM)法は、伸長変形可能な物体の形状を推定するために導出される。提案アルゴリズムは, シナリオ内での伸長変形可能な物体の形状推定に有用である。
論文参考訳（メタデータ） (2020-04-10T21:15:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。