Fugu-MT 論文翻訳(概要): REFLECT: Rectified Flows for Efficient Brain Anomaly Correction Transport

論文の概要: REFLECT: Rectified Flows for Efficient Brain Anomaly Correction Transport

arxiv url: http://arxiv.org/abs/2508.02889v1
Date: Mon, 04 Aug 2025 20:35:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-06 18:18:55.677781
Title: REFLECT: Rectified Flows for Efficient Brain Anomaly Correction Transport
Title（参考訳）: 反射流(reFLECT:rectified Flows for Efficient Brain Anomaly Correction Transport)
Authors: Farzad Beizaee, Sina Hajimiri, Ismail Ben Ayed, Gregory Lodygensky, Christian Desrosiers, Jose Dolz,
Abstract要約: 脳画像における教師なし異常検出(UAD)は、ラベル付きデータを必要としない病理の同定に不可欠である。本稿では, 直流を利用した新しいフレームワークREFLECTを紹介し, 異常なMR画像の修正のための直線的直線軌道の確立について述べる。本手法は,脳の異常を効率よく補正し,異常入力と異常入力の一致を検出することによって,異常を正確に特定することができる。
参考スコア（独自算出の注目度）: 23.58830094797698
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Unsupervised anomaly detection (UAD) in brain imaging is crucial for identifying pathologies without the need for labeled data. However, accurately localizing anomalies remains challenging due to the intricate structure of brain anatomy and the scarcity of abnormal examples. In this work, we introduce REFLECT, a novel framework that leverages rectified flows to establish a direct, linear trajectory for correcting abnormal MR images toward a normal distribution. By learning a straight, one-step correction transport map, our method efficiently corrects brain anomalies and can precisely localize anomalies by detecting discrepancies between anomalous input and corrected counterpart. In contrast to the diffusion-based UAD models, which require iterative stochastic sampling, rectified flows provide a direct transport map, enabling single-step inference. Extensive experiments on popular UAD brain segmentation benchmarks demonstrate that REFLECT significantly outperforms state-of-the-art unsupervised anomaly detection methods. The code is available at https://github.com/farzad-bz/REFLECT.
Abstract（参考訳）: 脳画像における教師なし異常検出(UAD)は、ラベル付きデータを必要としない病理の同定に不可欠である。しかし、脳解剖学の複雑な構造と異常な例の不足により、正確な局所化異常は依然として困難なままである。本稿では,正規分布に向けて異常MR画像を修正するための直線軌道の直接的確立のために,整流を利用した新しいフレームワークであるREFLECTを紹介する。本手法は,脳の異常を効率よく補正し,異常入力と異常入力の一致を検知することで,異常を正確に局所化することができる。反復確率サンプリングを必要とする拡散型UADモデルとは対照的に、整流流は直接輸送マップを提供し、単一ステップの推論を可能にする。一般的なUAD脳セグメンテーションベンチマークの大規模な実験は、REFLECTが最先端の教師なし異常検出方法よりも大幅に優れていることを示した。コードはhttps://github.com/farzad-bz/REFLECT.comで公開されている。

関連論文リスト

MAD-AD: Masked Diffusion for Unsupervised Brain Anomaly Detection [15.572896213775438]
脳画像における教師なし異常検出は、ラベルにアクセスせずに損傷や病理を識別するために重要である。本研究では,拡散モデルにマスキングを組み込んだ新しい手法を提案し,その生成能力を活用して正常脳解剖学の堅牢な表現を学習する。提案手法は,既存の教師なし異常検出手法を超越し,高精度な正常な異常発生と局所的異常発生に優れた性能を示す。
論文参考訳（メタデータ） (2025-02-24T08:11:29Z)
GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文参考訳（メタデータ） (2024-06-11T17:27:23Z)
AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文参考訳（メタデータ） (2023-12-10T05:13:40Z)
MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文参考訳（メタデータ） (2023-08-29T13:38:35Z)
One-Step Detection Paradigm for Hyperspectral Anomaly Detection via Spectral Deviation Relationship Learning [17.590080772567678]
ハイパースペクトル異常検出は、周囲からスペクトルを逸脱するターゲットを特定することを含む。現在のディープ検出モデルは、バックグラウンド再構築や生成などのプロキシタスクの完了に最適化されている。本稿では,異常検出タスクに対して直接最適化された教師なし転送直接検出モデルを提案する。
論文参考訳（メタデータ） (2023-03-22T06:41:09Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。 HypADは自己指導で入力信号を再構築する。
論文参考訳（メタデータ） (2022-11-16T21:31:39Z)
Dual-distribution discrepancy with self-supervised refinement for anomaly detection in medical images [29.57501199670898]
我々は、既知の正規画像と未ラベル画像を利用するために、一級半教師付き学習(OC-SSL)を導入する。再構成ネットワークのアンサンブルは、正規画像の分布と、正規画像と未ラベル画像の両方の分布をモデル化するように設計されている。本稿では,異常を直接検出するのではなく,異常スコアを改良する自己教師型学習の新しい視点を提案する。
論文参考訳（メタデータ） (2022-10-09T11:18:45Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
DR{\AE}M -- A discriminatively trained reconstruction embedding for surface anomaly detection [14.234783431842542]
識別訓練された再構成異常埋め込みモデル(DRAEM)を提案する。 DRAEMは、異常画像とその異常のない再構成の合同表現を学習し、同時に、正常例と異常例の判定境界を学習する。挑戦的なMVTec異常検出データセットでは、DRAEMは現在の最先端の教師なし手法よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2021-08-17T13:17:29Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Constrained Contrastive Distribution Learning for Unsupervised Anomaly Detection and Localisation in Medical Images [23.79184121052212]
UAD(Unsupervised Anomaly Detection)は、通常の(すなわち健康的な)画像でのみ1クラスの分類器を学習する。異常検出のための制約コントラスト分布学習(Constrained Contrastive Distribution Learning for Anomaly Detection, CCD)を提案する。本手法は,3種類の大腸内視鏡および底部検診データセットにおいて,最先端のUADアプローチよりも優れている。
論文参考訳（メタデータ） (2021-03-05T01:56:58Z)

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。