論文の概要: Arctique: An artificial histopathological dataset unifying realism and controllability for uncertainty quantification

• arxiv url: http://arxiv.org/abs/2411.07097v1
• Date: Mon, 11 Nov 2024 16:19:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:09:03.018170
• Title: Arctique: An artificial histopathological dataset unifying realism and controllability for uncertainty quantification
• Title（参考訳）: Arctique:不確実性定量のための現実性と制御性を統一する人工組織学的データセット
• Authors: Jannik Franzen, Claudia Winklmayr, Vanessa E. Guarino, Christoph Karg, Xiaoyan Yu, Nora Koreuber, Jan P. Albrecht, Philip Bischoff, Dagmar Kainmueller,
• Abstract要約: 不確実性定量化(UQ)は、信頼性の高い画像セグメンテーションに不可欠である。 現在のUQメソッドは、過度に単純化されたおもちゃのデータセットや、真の不確実性を識別できない複雑な現実世界のデータセットでテストされる。 Arctiqueは、複雑なマルチオブジェクト環境でのUQテクニックのベンチマークと進歩のための重要なリソースとして機能する。
• 参考スコア（独自算出の注目度）: 2.470131708818361
• License:
• Abstract: Uncertainty Quantification (UQ) is crucial for reliable image segmentation. Yet, while the field sees continual development of novel methods, a lack of agreed-upon benchmarks limits their systematic comparison and evaluation: Current UQ methods are typically tested either on overly simplistic toy datasets or on complex real-world datasets that do not allow to discern true uncertainty. To unify both controllability and complexity, we introduce Arctique, a procedurally generated dataset modeled after histopathological colon images. We chose histopathological images for two reasons: 1) their complexity in terms of intricate object structures and highly variable appearance, which yields challenging segmentation problems, and 2) their broad prevalence for medical diagnosis and respective relevance of high-quality UQ. To generate Arctique, we established a Blender-based framework for 3D scene creation with intrinsic noise manipulation. Arctique contains 50,000 rendered images with precise masks as well as noisy label simulations. We show that by independently controlling the uncertainty in both images and labels, we can effectively study the performance of several commonly used UQ methods. Hence, Arctique serves as a critical resource for benchmarking and advancing UQ techniques and other methodologies in complex, multi-object environments, bridging the gap between realism and controllability. All code is publicly available, allowing re-creation and controlled manipulations of our shipped images as well as creation and rendering of new scenes.
• Abstract（参考訳）: 不確実性定量化(UQ)は、信頼性の高い画像セグメンテーションに不可欠である。 しかし、この分野は新しい手法の継続的な開発を目にする一方で、合意されたベンチマークの欠如は、その体系的な比較と評価を制限している: 現在のUQメソッドは、通常、過度に単純化されたおもちゃのデータセットや、真の不確実性を識別できない複雑な現実世界のデータセットでテストされる。 制御性と複雑性の両面を統一するために,病理組織学的大腸像をモデルとした手続き的に生成されたデータセットであるArctiqueを導入する。 我々は2つの理由から病理像を選択した。 1)複雑な対象構造と高度に変動した外観の複雑さは、難解なセグメンテーション問題を生じさせ、 2) 医療診断における有病率と高品質UQとの関連性について検討した。 Arctiqueを生成するために,本質的なノイズ操作によるBlenderベースの3Dシーン生成フレームワークを構築した。 Arctiqueには、5万枚のレンダリング画像と正確なマスク、ノイズの多いラベルシミュレーションが含まれている。 画像とラベルの両方の不確かさを独立に制御することにより、よく使われるUQ手法の性能を効果的に研究できることが示される。 したがって、Arctiqueは、複雑な多目的環境におけるUQ技術やその他の方法論のベンチマークと進歩のための重要なリソースとして機能し、現実主義と可制御性のギャップを埋める。 すべてのコードが公開されており、出荷されたイメージの再作成と操作、新しいシーンの作成とレンダリングが可能です。

関連論文リスト

• RAD: A Comprehensive Dataset for Benchmarking the Robustness of Image Anomaly Detection [4.231702796492545]
  本研究では,自由なビュー,不均一な照度,ぼやけたコレクションを備えたロバスト異常検出データセットを提案する。 RADは、ワーキングプラットフォーム上の異物を異常として識別することを目的としている。 RADを用いた非教師ありゼロショット法11点の評価と解析を行った。
  論文  参考訳（メタデータ） (2024-06-11T11:39:44Z)
• Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
  GAN(Generative Adversarial Networks)は、医療画像の応用を認知するための強力なフレームワークとして証明されている。 本研究は,Gray-Level-Co-occurrence Matrix (GLCM) の内在的マルチスケール特性を利用した損失関数を提案する。 また,画像から抽出したマルチスケールテクスチャ情報を動的に集約する自己認識層を導入する。
  論文  参考訳（メタデータ） (2024-03-25T11:28:52Z)
• An efficient dual-branch framework via implicit self-texture enhancement for arbitrary-scale histopathology image super-resolution [18.881480825169053]
  Inlicit Self-Texture Enhancement-based dual-branch framework (ISTE) を提案する。 ISTEは、様々なスケーリング要因にわたる既存の固定スケールおよび任意のスケールのSRアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2024-01-28T10:00:45Z)
• ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration [51.205673783866146]
  我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。 劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。 われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
  論文  参考訳（メタデータ） (2024-01-13T04:54:59Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• Layered Rendering Diffusion Model for Zero-Shot Guided Image Synthesis [60.260724486834164]
  本稿では,テキストクエリに依存する拡散モデルにおける空間制御性向上のための革新的な手法を提案する。 視覚誘導(Vision Guidance)とレイヤーレンダリング拡散(Layered Rendering Diffusion)フレームワーク(Layered Diffusion)という2つの重要なイノベーションを提示します。 本稿では,ボックス・ツー・イメージ,セマンティック・マスク・ツー・イメージ,画像編集の3つの実践的応用に適用する。
  論文  参考訳（メタデータ） (2023-11-30T10:36:19Z)
• Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
  既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。 我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。 我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
  論文  参考訳（メタデータ） (2023-10-23T14:02:57Z)
• Bridging Composite and Real: Towards End-to-end Deep Image Matting [88.79857806542006]
  画像マッチングにおける意味論と細部の役割について検討する。 本稿では,共有エンコーダと2つの分離デコーダを用いた新しいGlance and Focus Matting Network(GFM)を提案する。 総合的な実証研究により、GFMは最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2020-10-30T10:57:13Z)
• Anomaly Detection in Medical Imaging with Deep Perceptual Autoencoders [1.7277957019593995]
  画像異常検出の新しい強力な手法を提案する。 これは、再設計されたトレーニングパイプラインを備えた古典的なオートエンコーダアプローチに依存している。 複雑な医用画像解析タスクにおける最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-23T18:45:55Z)
• Semi-Supervised StyleGAN for Disentanglement Learning [79.01988132442064]
  現在の解離法は、いくつかの固有の制限に直面している。 半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
  論文  参考訳（メタデータ） (2020-03-06T22:54:46Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。