論文の概要: Gaussian Primitive Optimized Deformable Retinal Image Registration

• arxiv url: http://arxiv.org/abs/2508.16852v1
• Date: Sat, 23 Aug 2025 00:44:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.212444
• Title: Gaussian Primitive Optimized Deformable Retinal Image Registration
• Title（参考訳）: ガウスプリミティブ最適化デフォルマブル網膜画像登録
• Authors: Xin Tian, Jiazheng Wang, Yuxi Zhang, Xiang Chen, Renjiu Hu, Gaolei Li, Min Liu, Hang Zhang,
• Abstract要約: 変形性網膜画像登録は、大きな同種領域とスパースだが重要な血管的特徴のため、非常に困難である。 これらの課題を克服するために、構造化メッセージパッシングを実行する新しい反復的フレームワークを導入する。 FIREデータセットの実験では、GPOはターゲット登録エラーを6.2,pxから2.4,pxに減らし、AUCを0.770から0.938に増やしている。
• 参考スコア（独自算出の注目度）: 19.882820812725523
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deformable retinal image registration is notoriously difficult due to large homogeneous regions and sparse but critical vascular features, which cause limited gradient signals in standard learning-based frameworks. In this paper, we introduce Gaussian Primitive Optimization (GPO), a novel iterative framework that performs structured message passing to overcome these challenges. After an initial coarse alignment, we extract keypoints at salient anatomical structures (e.g., major vessels) to serve as a minimal set of descriptor-based control nodes (DCN). Each node is modelled as a Gaussian primitive with trainable position, displacement, and radius, thus adapting its spatial influence to local deformation scales. A K-Nearest Neighbors (KNN) Gaussian interpolation then blends and propagates displacement signals from these information-rich nodes to construct a globally coherent displacement field; focusing interpolation on the top (K) neighbors reduces computational overhead while preserving local detail. By strategically anchoring nodes in high-gradient regions, GPO ensures robust gradient flow, mitigating vanishing gradient signal in textureless areas. The framework is optimized end-to-end via a multi-term loss that enforces both keypoint consistency and intensity alignment. Experiments on the FIRE dataset show that GPO reduces the target registration error from 6.2\,px to ~2.4\,px and increases the AUC at 25\,px from 0.770 to 0.938, substantially outperforming existing methods. The source code can be accessed via https://github.com/xintian-99/GPOreg.
• Abstract（参考訳）: 変形可能な網膜画像の登録は、大きな均質な領域と細いが重要な血管の特徴により、標準学習ベースのフレームワークにおいて限られた勾配信号を引き起こすことで、非常に難しい。 本稿では,これらの課題を克服するために,構造化メッセージパッシングを実行する新しい反復的フレームワークであるGaussian Primitive Optimization (GPO)を紹介する。 初期粗いアライメントの後,本研究では,有意な解剖学的構造(大血管など)のキーポイントを抽出し,記述子に基づく制御ノード(DCN)の最小セットとして機能する。 各ノードは、トレーニング可能な位置、変位、半径を持つガウス原始体としてモデル化され、その空間的影響は局所的な変形スケールに適応する。 K-Nearest Neighbors (KNN) ガウス補間(英語版)は、これらの情報豊富なノードからの変位信号をブレンドして伝播させ、グローバルなコヒーレントな変位場を構築する。 高次領域のノードを戦略的に固定することにより、GPOは無テクスチャ領域における消える勾配信号を緩和し、ロバストな勾配流を確保する。 このフレームワークは、キーポイントの一貫性と強度の整合性の両方を強制する、多段階の損失によってエンドツーエンドに最適化されている。 FIREデータセットの実験では、GPOは目標登録誤差を6.2\,pxから~2.4\,pxに減らし、AUCを0.770から0.938に増加させ、既存の方法よりも大幅に上回っている。 ソースコードはhttps://github.com/xintian-99/GPOregからアクセスすることができる。

関連論文リスト

• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Mesh-based Super-Resolution of Fluid Flows with Multiscale Graph Neural Networks [0.0]
  メッシュベースの流体の3次元超解像を可能にするグラフニューラルネットワーク(GNN)アプローチが本研究で導入された。 このフレームワークでは、GNNは一度に完全なメッシュベースのフィールドでではなく、要素(またはセル)の局所的なメッシュで動くように設計されている。
  論文  参考訳（メタデータ） (2024-09-12T05:52:19Z)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• RPBG: Towards Robust Neural Point-based Graphics in the Wild [23.497693378880303]
  我々は、ポイントベースグラフィックス(RPBG)と呼ばれる新しい点ベースニューラルリレンダリング手法を提案する。 RPBGは安定してベースラインを大きなマージンで上回り、最先端のNeRFベースの変種に対して大きな堅牢性を示す。
  論文  参考訳（メタデータ） (2024-05-09T10:35:44Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)
• Sign-Agnostic CONet: Learning Implicit Surface Reconstructions by Sign-Agnostic Optimization of Convolutional Occupancy Networks [39.65056638604885]
  畳み込み型ネットワークの符号非依存最適化により暗黙的表面再構成を学習する。 この目標をシンプルで効果的な設計で効果的に達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-08T03:35:32Z)
• Gradient Centralization: A New Optimization Technique for Deep Neural Networks [74.935141515523]
  勾配集中(GC)は、勾配ベクトルをゼロ平均とする集中化によって、勾配を直接操作する。 GCは、制約された損失関数を持つ射影勾配降下法とみなすことができる。 GCは実装が非常に簡単で、1行のコードだけで既存のグラデーションベースのDNNに簡単に組み込める。
  論文  参考訳（メタデータ） (2020-04-03T10:25:00Z)

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。