論文の概要: SynPo: Boosting Training-Free Few-Shot Medical Segmentation via High-Quality Negative Prompts

• arxiv url: http://arxiv.org/abs/2506.15153v1
• Date: Wed, 18 Jun 2025 05:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.552735
• Title: SynPo: Boosting Training-Free Few-Shot Medical Segmentation via High-Quality Negative Prompts
• Title（参考訳）: SynPo: 高品質負のプロンプトによるトレーニングフリーのFew-Shotメディカルセグメンテーション
• Authors: Yufei Liu, Haoke Xiao, Jiaxing Chai, Yongcun Zhang, Rong Wang, Zijie Meng, Zhiming Luo,
• Abstract要約: 我々は、Large Vision Models (LVM) に基づくトレーニング不要の少ショット手法であるSynPoを提案する。 より信頼性の高い信頼マップでポイントプロンプトを選択するために、新しい信頼マップ構文モジュールを設計する。 SynPoは、最先端のトレーニングベースの数ショットメソッドに匹敵するパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 27.871702983946832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advent of Large Vision Models (LVMs) offers new opportunities for few-shot medical image segmentation. However, existing training-free methods based on LVMs fail to effectively utilize negative prompts, leading to poor performance on low-contrast medical images. To address this issue, we propose SynPo, a training-free few-shot method based on LVMs (e.g., SAM), with the core insight: improving the quality of negative prompts. To select point prompts in a more reliable confidence map, we design a novel Confidence Map Synergy Module by combining the strengths of DINOv2 and SAM. Based on the confidence map, we select the top-k pixels as the positive points set and choose the negative points set using a Gaussian distribution, followed by independent K-means clustering for both sets. Then, these selected points are leveraged as high-quality prompts for SAM to get the segmentation results. Extensive experiments demonstrate that SynPo achieves performance comparable to state-of-the-art training-based few-shot methods.
• Abstract（参考訳）: LVM(Large Vision Models)の出現は、数ショットの医療画像セグメンテーションの新しい機会を提供する。 しかし、LVMに基づく既存のトレーニングフリー手法は、負のプロンプトを効果的に活用することができず、低コントラスト医用画像の性能が低下する。 この問題に対処するため、私たちはLVM(例えばSAM)に基づいたトレーニング不要の少ショット方式であるSynPoを提案し、その中核となる洞察は、負のプロンプトの品質を改善することである。 より信頼性の高い信頼マップで点プロンプトを選択するために、DINOv2 と SAM の強みを組み合わせた新しい信頼マップ構文モジュールを設計する。 信頼度マップに基づいて、上位k画素を正の点集合として選択し、ガウス分布を用いて設定した負の点を選択し、その後、両方の集合に対して独立なK平均クラスタリングを行う。 そして、これらの選択された点は、SAMがセグメンテーション結果を得るための高品質なプロンプトとして活用される。 大規模な実験では、SynPoが最先端のトレーニングベースの少ショットメソッドに匹敵するパフォーマンスを実現している。

関連論文リスト

• Cross-Modal Clustering-Guided Negative Sampling for Self-Supervised Joint Learning from Medical Images and Reports [11.734906190235066]
  本稿では,2次元のアイデアを用いたCross-Modal Cluster-Guided Negative Smpling (CM-CGNS)法を提案する。 まず、シングルモーダルドメインのローカルテキスト機能に使用されるk-meansクラスタリングを、クロスモーダルアテンションを通じてマルチモーダルドメインに拡張する。 第2に、マスクされた局所画像領域を再構成するために、クロスモーダルアテンションによって得られたローカルテキストと画像の特徴を利用する、CM-MIR(Cross-Modal Masked Image Reconstruction)モジュールを導入する。
  論文  参考訳（メタデータ） (2025-06-13T11:08:16Z)
• An Attentive Representative Sample Selection Strategy Combined with Balanced Batch Training for Skin Lesion Segmentation [2.228316724125797]
  多くの研究は、トレーニングセットをランダムに選択し、最適でないモデルのパフォーマンスをもたらす可能性がある。 コントラスト学習とクラスタリングを用いて、アノテーションのための代表的で多様なサンプルを抽出する。
  論文  参考訳（メタデータ） (2025-03-21T10:42:22Z)
• False Negative/Positive Control for SAM on Noisy Medical Images [10.654917277821495]
  Segment Anything Model (SAM) は画像セグメンテーションのための全範囲基盤モデルである。 医療画像のセグメンテーションにおけるSAMの性能向上を目的とした改良されたテストフェーズプロンプト拡張手法を提案する。 ノイズの多い低コントラストの医用画像においても,SAMの有効利用が可能となった。
  論文  参考訳（メタデータ） (2023-08-20T23:01:46Z)
• Towards Robust Visual Question Answering: Making the Most of Biased Samples via Contrastive Learning [54.61762276179205]
  我々は,ビザドサンプルを最大限に活用することで,ロバストなVQAモデルを構築するための新しいコントラスト学習手法 MMBS を提案する。 具体的には、元のトレーニングサンプルからスプリアス相関に関連する情報を排除し、比較学習のための正のサンプルを構築する。 我々は,OODデータセットのVQA-CP v2において,IDデータセットのVQA v2上での堅牢なパフォーマンスを維持しながら,競争性能を達成することで,コントリビューションを検証した。
  論文  参考訳（メタデータ） (2022-10-10T11:05:21Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• A Practical Contrastive Learning Framework for Single-Image Super-Resolution [51.422185656787285]
  コントラスト学習に基づく単一画像の超解像を2つの視点から検討する。 SISR のための実践的コントラスト学習フレームワーク PCL-SR を提案する。 既存のベンチマーク手法と比較して,提案手法をPCL-SRフレームワークで再学習し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-11-27T15:42:12Z)
• Contrastive Attraction and Contrastive Repulsion for Representation Learning [131.72147978462348]
  コントラスト学習(CL)法は,複数の負のサンプルに対して,エンコーダが各正のサンプルと対比する自己超越的な方法でデータ表現を学習する。 最近のCL法は、ImageNetのような大規模データセットで事前訓練された場合、有望な結果を得た。 自己グループ内の正と負のサンプルを別々に比較し、正と負の群を対比して進行する2つのCL戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-08T17:25:08Z)
• Doubly Contrastive Deep Clustering [135.7001508427597]
  本稿では、サンプルビューとクラスビューの両方でコントラスト損失を構築する新しい二重コントラストディープクラスタリング(DCDC)フレームワークを紹介します。 具体的には、サンプルビューに対して、元のサンプルとその拡張バージョンのクラス分布を正のサンプルペアとして設定する。 クラスビューでは、クラスのサンプル分布から正のペアと負のペアを構築します。 このように、2つのコントラスト損失は、サンプルとクラスレベルでのミニバッチサンプルのクラスタリング結果をうまく制限します。
  論文  参考訳（メタデータ） (2021-03-09T15:15:32Z)
• Conditional Negative Sampling for Contrastive Learning of Visual Representations [19.136685699971864]
  難解な負の選択、あるいは現在の例に類似した選択は、より強い表現をもたらす可能性があることを示す。 それぞれの正の周りの「リング」に、負を条件付きでサンプリングする相互情報推定器のファミリーを導入する。 これらの推定器は, 偏差が大きいが, NCEよりも分散度が低いことが証明された。
  論文  参考訳（メタデータ） (2020-10-05T14:17:32Z)

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。