論文の概要: Flip Distribution Alignment VAE for Multi-Phase MRI Synthesis

• arxiv url: http://arxiv.org/abs/2510.02970v1
• Date: Fri, 03 Oct 2025 12:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.389042
• Title: Flip Distribution Alignment VAE for Multi-Phase MRI Synthesis
• Title（参考訳）: 多相MRI合成のためのフリップ分布アライメントVAE
• Authors: Xiaoyan Kui, Qianmu Xiao, Qqinsong Li, Zexin Ji, JIelin Zhang, Beiji Zou,
• Abstract要約: 多相CEMRI合成のための軽量機能分離型VAEモデルであるFlip Distribution Alignment Variational Autoencoder (FDA-VAE)を提案する。 FDA-VAEは入力画像とターゲット画像を標準正規分布と対称な2つの潜在分布に符号化する。 実験の結果,既存のディープオートエンコーダを用いたエンド・ツー・エンド合成法と比較して,FDA-VAEはモデルパラメータと推論時間を著しく短縮することがわかった。
• 参考スコア（独自算出の注目度）: 3.9491198090477226
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Separating shared and independent features is crucial for multi-phase contrast-enhanced (CE) MRI synthesis. However, existing methods use deep autoencoder generators with low parameter efficiency and lack interpretable training strategies. In this paper, we propose Flip Distribution Alignment Variational Autoencoder (FDA-VAE), a lightweight feature-decoupled VAE model for multi-phase CE MRI synthesis. Our method encodes input and target images into two latent distributions that are symmetric concerning a standard normal distribution, effectively separating shared and independent features. The Y-shaped bidirectional training strategy further enhances the interpretability of feature separation. Experimental results show that compared to existing deep autoencoder-based end-to-end synthesis methods, FDA-VAE significantly reduces model parameters and inference time while effectively improving synthesis quality. The source code is publicly available at https://github.com/QianMuXiao/FDA-VAE.
• Abstract（参考訳）: 多相コントラスト強調(CE)MRI合成には, 共有機能と独立機能の分離が不可欠である。 しかし、既存の手法ではパラメータ効率が低く、解釈可能なトレーニング戦略が欠如しているディープオートエンコーダジェネレータを使用している。 本稿では,多相CEMRI合成のための機能分離型VAEモデルであるFlip Distribution Alignment Variational Autoencoder (FDA-VAE)を提案する。 本手法は,標準正規分布に対して対称な2つの潜在分布に入力画像とターゲット画像をエンコードし,共有特徴と独立特徴を効果的に分離する。 Y字型双方向訓練戦略は、特徴分離の解釈可能性をさらに向上させる。 実験の結果,既存のディープオートエンコーダを用いたエンド・ツー・エンド合成法と比較して,FDA-VAEはモデルパラメータと推論時間を著しく低減し,合成品質を効果的に向上することがわかった。 ソースコードはhttps://github.com/QianMuXiao/FDA-VAEで公開されている。

関連論文リスト

• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• PGF-Net: A Progressive Gated-Fusion Framework for Efficient Multimodal Sentiment Analysis [6.373083097957498]
  PGF-Netは,効率よく解釈可能なマルチモーダル感情分析のための新しいディープラーニングフレームワークである。 本稿では,音声と視覚ストリームの非言語的特徴を動的に問合せし統合するために,クロスアテンション機構を用いたプログレッシブ・イントラライヤー・フュージョン(Progressive intra-Layer Fusion)パラダイムを提案する。 第二に、モデルにはAdaptive Gated Arbitration機構が組み込まれており、元の言語情報のバランスをとるために動的コントローラとして機能する。
  論文  参考訳（メタデータ） (2025-08-20T08:29:26Z)
• Decom-Renorm-Merge: Model Merging on the Right Space Improves Multitasking [7.361862340050819]
  本稿では,重み行列を整列結合空間に分解・コーディネートするために特異値分解を利用する,単純かつ効果的な手法であるデコム・リノルム・マージ(DRM)を提案する。 実験の結果,DRMは完全微調整および低ランク適応設定において,最先端のマージ技術よりも優れていた。
  論文  参考訳（メタデータ） (2025-05-29T05:37:53Z)
• Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
  MISO (Multiple-input Single-output) フレームワークを提案する。 それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。 PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
  論文  参考訳（メタデータ） (2025-02-12T18:54:10Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Merging in a Bottle: Differentiable Adaptive Merging (DAM) and the Path from Averaging to Automation [0.9084344604313794]
  本稿では,モデルマージ手法を複雑度の範囲にわたって検討する。 本稿では,効率よく適応的なマージ手法である微分適応マージ(DAM)を導入する。 以上の結果から,モデル類似度が高い場合,モデルソープのような単純な平均化手法でさえ競争力を発揮することが明らかとなった。
  論文  参考訳（メタデータ） (2024-10-10T20:58:29Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Symmetric Equilibrium Learning of VAEs [56.56929742714685]
  可変オートエンコーダ(VAE)をデコーダ-エンコーダペアとみなし,データ空間内の分布を潜在空間内の分布にマッピングする。 本研究では,エンコーダとデコーダに対して対称なナッシュ均衡学習手法を提案し,データと潜伏分布の両方がサンプリングによってのみアクセス可能な状況下でのVAEの学習を可能にする。
  論文  参考訳（メタデータ） (2023-07-19T10:27:34Z)
• Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
  クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。 既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。 マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T11:40:40Z)
• One Model to Unite Them All: Personalized Federated Learning of Multi-Contrast MRI Synthesis [5.3963856146595095]
  学習ベースのMRI翻訳は、ソースコントラストをターゲットコントラスト画像にマッピングする合成モデルを含む。 ここでは、MRI合成のための最初のパーソナライズされたFL法(pFL Synth)を紹介する。 pFL Synthは、個々のサイトやソース・ターゲットのコントラストに固有の潜伏剤を生成するマッパーを備えた敵モデルに基づいている。
  論文  参考訳（メタデータ） (2022-07-13T20:14:16Z)
• Re-parameterizing VAEs for stability [1.90365714903665]
  本稿では,変分オートエンコーダ(VAE)の数値安定性を訓練するための理論的アプローチを提案する。 我々の研究は、VAEが複雑な画像データセット上のアート生成結果に到達できるようにするための最近の研究によって動機づけられている。 我々は、それらが依存する正規分布のパラメータ化方法に小さな変更を加えることで、VAEを安全にトレーニングできることを示します。
  論文  参考訳（メタデータ） (2021-06-25T16:19:09Z)

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。