論文の概要: Overlap-aware segmentation for topological reconstruction of obscured objects

• arxiv url: http://arxiv.org/abs/2510.06194v1
• Date: Tue, 07 Oct 2025 17:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.404528
• Title: Overlap-aware segmentation for topological reconstruction of obscured objects
• Title（参考訳）: 不明瞭物体のトポロジ的再構成のためのオーバーラップ対応セグメンテーション
• Authors: J. Schueler, H. M. Araújo, S. N. Balashov, J. E. Borg, C. Brew, F. M. Brunbauer, C. Cazzaniga, A. Cottle, D. Edgeman, C. D. Frost, F. Garcia, D. Hunt, M. Kastriotou, P. Knights, H. Kraus, A. Lindote, M. Lisowska, D. Loomba, E. Lopez Asamar, P. A. Majewski, T. Marley, C. McCabe, L. Millins, R. Nandakumar, T. Neep, F. Neves, K. Nikolopoulos, E. Oliveri, A. Roy, T. J. Sumner, E. Tilly, W. Thompson, M. A. Vogiatzi,
• Abstract要約: Overlap-Aware of ImageS (OASIS)は、トレーニング中にオブジェクトオーバーラップの領域を優先するように設計された重み付き損失関数を備えた、新しいセグメンテーション-レグレスフレームワークである。 我々は、低気圧光時間投影室において、原子核散乱によって電子放出が誘導される稀な過程であるミグダル効果を直接撮像することを目的としたMIGDAL実験の文脈で、OASISを実証する。 非重み付きトレーニングと比較して、OASISは低エネルギー電子トラック(4-5keV)の中央値強度再構成誤差を-32%から-14%改善し、位相的交叉を改善する。
• 参考スコア（独自算出の注目度）: 7.116795321639349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The separation of overlapping objects presents a significant challenge in scientific imaging. While deep learning segmentation-regression algorithms can predict pixel-wise intensities, they typically treat all regions equally rather than prioritizing overlap regions where attribution is most ambiguous. Recent advances in instance segmentation show that weighting regions of pixel overlap in training can improve segmentation boundary predictions in regions of overlap, but this idea has not yet been extended to segmentation regression. We address this with Overlap-Aware Segmentation of ImageS (OASIS): a new segmentation-regression framework with a weighted loss function designed to prioritize regions of object-overlap during training, enabling extraction of pixel intensities and topological features from heavily obscured objects. We demonstrate OASIS in the context of the MIGDAL experiment, which aims to directly image the Migdal effect--a rare process where electron emission is induced by nuclear scattering--in a low-pressure optical time projection chamber. This setting poses an extreme test case, as the target for reconstruction is a faint electron recoil track which is often heavily-buried within the orders-of-magnitude brighter nuclear recoil track. Compared to unweighted training, OASIS improves median intensity reconstruction errors from -32% to -14% for low-energy electron tracks (4-5 keV) and improves topological intersection-over-union scores from 0.828 to 0.855. These performance gains demonstrate OASIS's ability to recover obscured signals in overlap-dominated regions. The framework provides a generalizable methodology for scientific imaging where pixels represent physical quantities and overlap obscures features of interest. All code is openly available to facilitate cross-domain adoption.
• Abstract（参考訳）: 重なり合う物体の分離は、科学的イメージングにおいて重要な課題である。 ディープラーニングセグメンテーション-回帰アルゴリズムはピクセル単位での強度を予測できるが、属性が最も曖昧な重複領域を優先するのではなく、すべての領域を等しく扱うのが一般的である。 近年のケースセグメンテーションの進歩は、訓練における画素重なりの重み付け領域は重なり合う領域のセグメンテーション境界予測を改善することができることを示しているが、このアイデアはまだセグメンテーションレグレッションにまで拡張されていない。 OASIS(Overlap-Aware Segmentation of ImageS)は、トレーニング中にオブジェクトオーバーラップの領域を優先する重み付き損失関数を備えた新たなセグメンテーション・レグレス・フレームワークである。 我々は、低気圧光時間投影室において、原子核散乱によって電子放出が誘導される稀な過程であるミグダル効果を直接撮像することを目的としたMIGDAL実験の文脈で、OASISを実証する。 この設定は極端にテストケースであり、リコンストラクションのターゲットは希薄な電子リコイル軌道であり、しばしば高緯度で明るい核リコイル軌道に埋もれている。 非重み付きトレーニングと比較して、OASISは低エネルギーの電子軌道(4-5keV)に対して中央値の強度再構成誤差を-32%から-14%に改善し、位相的交叉結合スコアを0.828から0.855に改善した。 これらの性能向上はOASISが重なり合う領域で不明瞭な信号を回復する能力を示している。 このフレームワークは、ピクセルが物理的に量を表し、興味をそそる特徴を重複させるような、科学的イメージングのための一般化可能な方法論を提供する。 すべてのコードは、クロスドメインの採用を容易にするために、公開されています。

関連論文リスト

• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• CG-fusion CAM: Online segmentation of laser-induced damage on large-aperture optics [1.4658400971135652]
  連続勾配CAMと非線形多スケール融合(CG-fusion CAM)を用いた弱教師付きセマンティックセマンティックセマンティックセマンティクス法を提案する。 提案手法は,完全教師付きアルゴリズムに匹敵するセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2023-07-18T11:38:20Z)
• Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A Preliminary Study [5.489791364472879]
  近接場合成開口レーダ(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。 一方、撮像の結果は、サイドローブ、クラッタ、ノイズから必然的に劣化する。 イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。 我々は、分解モデルを空間的に可変な複素畳み込みモデルに再構成し、近接場SARのシステム応答を考慮した。 モデルに基づくディープラーニングネットワークは、復元するために設計されている
  論文  参考訳（メタデータ） (2022-11-28T01:28:33Z)
• Weakly-supervised fire segmentation by visualizing intermediate CNN layers [82.75113406937194]
  画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。 我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。 CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-16T11:56:28Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Light Field Reconstruction Using Convolutional Network on EPI and Extended Applications [78.63280020581662]
  スパースビューからの光場再構成のための新しい畳み込みニューラルネットワーク(CNN)ベースのフレームワークを開発した。 最先端のアルゴリズムと比較して,提案フレームワークの高性能と堅牢性を実証する。
  論文  参考訳（メタデータ） (2021-03-24T08:16:32Z)
• An Elastic Interaction-Based Loss Function for Medical Image Segmentation [10.851295591782538]
  本稿では,医用画像セグメンテーションのための長距離弾性相互作用に基づくトレーニング戦略を提案する。 この戦略において、CNNは予測領域の境界と実際の物体の境界との間の弾性相互作用エネルギーの誘導の下で対象領域を学習する。 実験結果から,本手法は一般的に用いられている画素単位の損失関数と比較して,大幅な改善が可能であることが示された。
  論文  参考訳（メタデータ） (2020-07-06T11:49:14Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。