論文の概要: A new approach for image segmentation based on diffeomorphic registration and gradient fields

• arxiv url: http://arxiv.org/abs/2506.09357v1
• Date: Wed, 11 Jun 2025 03:16:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.284148
• Title: A new approach for image segmentation based on diffeomorphic registration and gradient fields
• Title（参考訳）: 微分型登録と勾配場に基づく画像分割の新しい手法
• Authors: Junchao Zhou,
• Abstract要約: 本稿では,2次元画像分割のための新しい変分フレームワークを提案する。 本手法は,画像領域の微分同相変換によるテンプレート曲線の変形としてセグメンテーションをモデル化する。 このアプローチはPythonで実装されており、PyKeopsライブラリを使用してGPUアクセラレーションを行う。
• 参考スコア（独自算出の注目度）: 0.8158530638728501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image segmentation is a fundamental task in computer vision aimed at delineating object boundaries within images. Traditional approaches, such as edge detection and variational methods, have been widely explored, while recent advances in deep learning have shown promising results but often require extensive training data. In this work, we propose a novel variational framework for 2D image segmentation that integrates concepts from shape analysis and diffeomorphic transformations. Our method models segmentation as the deformation of a template curve via a diffeomorphic transformation of the image domain, using the Large Deformation Diffeomorphic Metric Mapping (LDDMM) framework. The curve evolution is guided by a loss function that compares the deformed curve to the image gradient field, formulated through the varifold representation of geometric shapes. The approach is implemented in Python with GPU acceleration using the PyKeops library. This framework allows for accurate segmentation with a flexible and theoretically grounded methodology that does not rely on large datasets.
• Abstract（参考訳）: イメージセグメンテーションは、画像内のオブジェクト境界を記述することを目的としたコンピュータビジョンの基本的なタスクである。 エッジ検出や変分法といった従来の手法は広く研究されているが、近年のディープラーニングの進歩は有望な結果を示しているが、大規模なトレーニングデータを必要とすることが多い。 本研究では,形状解析と微分同相変換の概念を統合した2次元画像分割のための新しい変分フレームワークを提案する。 本手法は画像領域の微分同相変換によるテンプレート曲線の変形としてのセグメンテーションを,LDDMM(Large deformation Diffomorphic Metric Mapping)フレームワークを用いてモデル化する。 曲線の進化は、変形した曲線と画像勾配場を比較した損失関数で導かれる。 このアプローチはPythonで実装されており、PyKeopsライブラリを使用してGPUアクセラレーションを行う。 このフレームワークは、大きなデータセットに依存しないフレキシブルで理論的に基礎付けられた方法論で正確なセグメンテーションを可能にする。

関連論文リスト

• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [48.74331852418905]
  直接画像からグラフへの変換は、1つのモデルで物体の検出と関係予測を解くことを伴う課題である。 このタスクの複雑さのため、多くのドメインで大規模なトレーニングデータセットはまれであり、ディープラーニングメソッドのトレーニングを困難にしている。 画像-グラフ変換器のクロスドメインおよびクロス次元学習を可能にする一連の手法を提案する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• A Theory of Topological Derivatives for Inverse Rendering of Geometry [87.49881303178061]
  我々は、位相微分を用いて離散的な位相変化を可能にする微分可能な曲面進化の理論的枠組みを導入する。 2次元の閉曲線と3次元の曲面を最適化して提案理論を検証し、現在の手法の限界について考察する。
  論文  参考訳（メタデータ） (2023-08-19T00:55:55Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
  本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。 画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。 幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
  論文  参考訳（メタデータ） (2022-10-25T01:55:17Z)
• Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
  カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。 我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。 我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-21T03:42:31Z)
• Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape Laplacian [58.704089101826774]
  形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。 点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。 実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
  論文  参考訳（メタデータ） (2022-03-29T04:57:18Z)
• A training-free recursive multiresolution framework for diffeomorphic deformable image registration [6.929709872589039]
  変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。 提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。 システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
  論文  参考訳（メタデータ） (2022-02-01T15:17:17Z)
• 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)
• Skeletonization and Reconstruction based on Graph Morphological Transformations [0.0]
  我々は、現在のノードベースの変換とは反対のエッジに基づく新しい構造化されたグラフ形態変換を提案する。 この手法の利点は、多くの広く使われているパスベースのアプローチがこの形態的操作の定義の中で利用できることである。
  論文  参考訳（メタデータ） (2020-09-16T22:58:06Z)

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。