論文の概要: TCFNet: Bidirectional face-bone transformation via a Transformer-based coarse-to-fine point movement network

• arxiv url: http://arxiv.org/abs/2508.14373v1
• Date: Wed, 20 Aug 2025 03:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.318587
• Title: TCFNet: Bidirectional face-bone transformation via a Transformer-based coarse-to-fine point movement network
• Title（参考訳）: TCFNet: Transformer-based coarse-to-fine point movement Networkによる双方向顔骨変換
• Authors: Runshi Zhang, Bimeng Jie, Yang He, Junchen Wang,
• Abstract要約: そこで我々は,Transformer を用いた粗い点移動ネットワーク (TCFNet) を提案する。 TCFNetは、優れた評価指標と視覚化結果を達成する。
• 参考スコア（独自算出の注目度）: 1.9981869613001535
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computer-aided surgical simulation is a critical component of orthognathic surgical planning, where accurately simulating face-bone shape transformations is significant. The traditional biomechanical simulation methods are limited by their computational time consumption levels, labor-intensive data processing strategies and low accuracy. Recently, deep learning-based simulation methods have been proposed to view this problem as a point-to-point transformation between skeletal and facial point clouds. However, these approaches cannot process large-scale points, have limited receptive fields that lead to noisy points, and employ complex preprocessing and postprocessing operations based on registration. These shortcomings limit the performance and widespread applicability of such methods. Therefore, we propose a Transformer-based coarse-to-fine point movement network (TCFNet) to learn unique, complicated correspondences at the patch and point levels for dense face-bone point cloud transformations. This end-to-end framework adopts a Transformer-based network and a local information aggregation network (LIA-Net) in the first and second stages, respectively, which reinforce each other to generate precise point movement paths. LIA-Net can effectively compensate for the neighborhood precision loss of the Transformer-based network by modeling local geometric structures (edges, orientations and relative position features). The previous global features are employed to guide the local displacement using a gated recurrent unit. Inspired by deformable medical image registration, we propose an auxiliary loss that can utilize expert knowledge for reconstructing critical organs.Compared with the existing state-of-the-art (SOTA) methods on gathered datasets, TCFNet achieves outstanding evaluation metrics and visualization results. The code is available at https://github.com/Runshi-Zhang/TCFNet.
• Abstract（参考訳）: コンピュータ支援手術シミュレーションは矯正手術計画の重要な要素であり,顔面骨の形状変化を正確にシミュレートすることが重要である。 従来のバイオメカニカルシミュレーション手法は、計算時間の消費レベル、労働集約型データ処理戦略、低い精度で制限されている。 近年,深層学習に基づくシミュレーション手法が,骨格と顔の点群間のポイント・ツー・ポイント・トランスフォーメーションとして提案されている。 しかし、これらの手法は大規模ポイントを処理できず、ノイズの多いポイントに繋がる限られた受容場を持ち、登録に基づく複雑な前処理と後処理の操作を利用することはできない。 これらの欠点は、そのような手法の性能と適用性を制限している。 そこで我々はTransformer-based coarse-to-fine point movement network (TCFNet)を提案する。 このエンドツーエンドフレームワークは、それぞれ第1段と第2段にTransformerベースのネットワークとローカル情報集約ネットワーク(LIA-Net)を採用し、互いに強化して正確な点移動経路を生成する。 LIA-Netは、局所幾何学構造(エッジ、配向、相対位置特徴)をモデル化することにより、トランスフォーマーベースのネットワークの近傍精度損失を効果的に補償することができる。 従来のグローバルな特徴は、ゲートリカレントユニットを用いて局所的な変位を誘導するために使用される。 変形可能な医用画像の登録にインスパイアされて、重要な臓器の再構築に専門家の知識を活用できる補助的損失を提案し、収集されたデータセットに対する既存の最先端(SOTA)手法と比較すると、TCFNetは優れた評価指標と視覚化結果が得られる。 コードはhttps://github.com/Runshi-Zhang/TCFNetで公開されている。

関連論文リスト

• DefTransNet: A Transformer-based Method for Non-Rigid Point Cloud Registration in the Simulation of Soft Tissue Deformation [0.0]
  我々は,非剛点クラウド登録のための新しいエンドツーエンドトランスフォーマーアーキテクチャであるDefTransNetを提案する。 DefTransNetは、大きな変形、外れ値、ノイズ、部分データなど、変形可能な登録に関する重要な課題に対処する。 提案手法の一般化を実証するため,本手法を4つのデータセット上で検証した。
  論文  参考訳（メタデータ） (2025-02-10T10:37:21Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
  本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。 提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。 また,ELGC-Net-LWも導入した。
  論文  参考訳（メタデータ） (2024-03-26T17:46:25Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded Diffraction Patterns Phase Retrieval [6.982256124089]
  位相検索は、計算画像および画像処理における非線型逆問題である。 我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。 非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
  論文  参考訳（メタデータ） (2023-09-08T07:37:15Z)
• MEPNet: A Model-Driven Equivariant Proximal Network for Joint Sparse-View Reconstruction and Metal Artifact Reduction in CT Images [29.458632068296854]
  我々はMEPNetと呼ばれるモデル駆動の同変近似ネットワークを提案する。 MEPNetは最適化に着想を得ており、明確な動作メカニズムを持っている。 コードをurlhttps://github.com/hongwang01/MEPNetでリリースします。
  論文  参考訳（メタデータ） (2023-06-25T15:50:11Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Defect Transformer: An Efficient Hybrid Transformer Architecture for Surface Defect Detection [2.0999222360659604]
  表面欠陥検出のための効率的なハイブリッドトランスアーキテクチャであるDefect Transformer (DefT)を提案する。 DefTはCNNとTransformerを統一モデルに組み込んで、局所的および非局所的関係を協調的にキャプチャする。 3つのデータセットの実験は、他のCNNやトランスフォーマーベースのネットワークと比較して、我々の手法の優位性と効率性を実証している。
  論文  参考訳（メタデータ） (2022-07-17T23:37:48Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)
• ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours [12.791313859673187]
  ProAlignNetは、輪郭形状間の大規模なミスアライメントと複雑な変換を説明できる。 近接感度および局所形状依存類似度測定値の上界から導出される新しい損失関数を用いて学習する。 実世界の2つの応用において、提案したモデルは最先端の手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2020-05-23T14:56:14Z)

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。