論文の概要: Diffusion-Guided Mask-Consistent Paired Mixing for Endoscopic Image Segmentation

• arxiv url: http://arxiv.org/abs/2511.03219v1
• Date: Wed, 05 Nov 2025 06:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.356132
• Title: Diffusion-Guided Mask-Consistent Paired Mixing for Endoscopic Image Segmentation
• Title（参考訳）: 内視鏡的画像分割のための拡散誘導型マスク抵抗ペアドミキシング
• Authors: Pengyu Jie, Wanquan Liu, Rui He, Yihui Wen, Deyu Meng, Chenqiang Gao,
• Abstract要約: 本稿では, 試料混合と拡散合成の強度を融合した拡散誘導型パラダイムを提案する。 各実画像について、合成対を同じマスクの下で生成し、その対をマスク一貫性ペアドミキシング(MCPMix)の制御可能な入力として使用する。 これは、共有幾何学の下で合成および実際の外観を円滑にブリッジする中間サンプルの連続的な族を生成する。
• 参考スコア（独自算出の注目度）: 57.37991748282666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Augmentation for dense prediction typically relies on either sample mixing or generative synthesis. Mixing improves robustness but misaligned masks yield soft label ambiguity. Diffusion synthesis increases apparent diversity but, when trained as common samples, overlooks the structural benefit of mask conditioning and introduces synthetic-real domain shift. We propose a paired, diffusion-guided paradigm that fuses the strengths of both. For each real image, a synthetic counterpart is generated under the same mask and the pair is used as a controllable input for Mask-Consistent Paired Mixing (MCPMix), which mixes only image appearance while supervision always uses the original hard mask. This produces a continuous family of intermediate samples that smoothly bridges synthetic and real appearances under shared geometry, enlarging diversity without compromising pixel-level semantics. To keep learning aligned with real data, Real-Anchored Learnable Annealing (RLA) adaptively adjusts the mixing strength and the loss weight of mixed samples over training, gradually re-anchoring optimization to real data and mitigating distributional bias. Across Kvasir-SEG, PICCOLO, CVC-ClinicDB, a private NPC-LES cohort, and ISIC 2017, the approach achieves state-of-the-art segmentation performance and consistent gains over baselines. The results show that combining label-preserving mixing with diffusion-driven diversity, together with adaptive re-anchoring, yields robust and generalizable endoscopic segmentation.
• Abstract（参考訳）: 密度予測の増大は典型的にはサンプル混合または生成合成に依存する。 混合は頑丈さを向上するが、不整合マスクはソフトなラベルの曖昧さをもたらす。 拡散合成は明らかに多様性を増すが、一般的なサンプルとして訓練されると、マスク条件付けの構造上の利点を見落とし、合成-実領域シフトを導入する。 本稿では,両者の強みを融合させる拡散誘導パラダイムを提案する。 各実画像に対して、同一マスクの下で合成対が生成され、その対がマスク・コンスタント・ペアド・ミキシング(MCPMix)の制御可能な入力として使用される。 これは、共有幾何学の下で合成および実際の外観を円滑にブリッジし、ピクセルレベルの意味論を妥協することなく多様性を拡大する中間サンプルの連続的な族を生成する。 Real-Anchored Learnable Annealing (RLA) は、実データに適応した学習を継続するため、トレーニング中に混合サンプルの混合強度と損失重量を適応的に調整し、徐々に実際のデータに最適化を再構築し、分布バイアスを緩和する。 Kvasir-SEG、PICCOLO、CVC-ClinicDB、プライベートNPC-LESコホート、ISIC 2017をまたいで、このアプローチは最先端のセグメンテーション性能とベースラインよりも一貫したゲインを達成する。 その結果, ラベル保存混合と拡散誘導多様性を組み合わせることで, 適応的再アンコールと組み合わせることで, 堅牢かつ一般化可能な内視鏡的セグメンテーションが得られることがわかった。

関連論文リスト

• Aligning What You Separate: Denoised Patch Mixing for Source-Free Domain Adaptation in Medical Image Segmentation [11.298724831730675]
  Source-Free Domain Adaptation (SFDA)は、プライバシー制約下での医療画像セグメンテーションの魅力的なソリューションとして浮上している。 本稿では, ターゲット分布を段階的に整列させるために, ハードサンプル選択とデノナイズドパッチミキシングを利用する新しいSFDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-29T07:05:26Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• Noise-Consistent Siamese-Diffusion for Medical Image Synthesis and Segmentation [9.795456238314825]
  本稿では,Mask-Diffusion と Image-Diffusion を組み合わせた新しい2成分モデルであるSiamese-Diffusionを紹介する。 トレーニング中、これらのコンポーネント間でノイズ一貫性損失を導入し、マスク拡散の形態的忠実度を高める。
  論文  参考訳（メタデータ） (2025-05-09T14:07:27Z)
• Adaptive Mix for Semi-Supervised Medical Image Segmentation [22.69909762038458]
  Mix-upは、整合正則化に基づく半教師あり学習手法の鍵となる技術である。 本稿では,画像混合のための適応混合アルゴリズム(AdaMix)を提案する。
  論文  参考訳（メタデータ） (2024-07-31T13:19:39Z)
• PowMix: A Versatile Regularizer for Multimodal Sentiment Analysis [71.8946280170493]
  本稿では,単相混合型正規化手法の強みを生かした汎用な埋め込み空間正規化器であるPowMixを紹介する。 PowMixはマルチモーダルアーキテクチャの融合段階の前に統合され、テキストとテキストを混合するなどのモダル内混合を容易にし、レギュレータとして機能する。
  論文  参考訳（メタデータ） (2023-12-19T17:01:58Z)
• Adversarial AutoMixup [50.1874436169571]
  本稿では,AdAutomixupを提案する。 画像分類のための堅牢な分類器を訓練するために、挑戦的なサンプルを生成する。 本手法は, 様々な分類シナリオにおいて, 技術状況に優れる。
  論文  参考訳（メタデータ） (2023-12-19T08:55:00Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• DAMix: Density-Aware Data Augmentation for Unsupervised Domain Adaptation on Single Image Dehazing [2.2678980997015534]
  本研究では, 対象領域のヘイズ密度レベルに応じて合成ヘイズサンプルを生成する密度認識型データ拡張法(DAMix)を提案する。 DAMixは、さまざまなヘイズ密度を特徴とするサンプルからモデルを学習することを保証する。 本研究では,2つの枝を含む二重分岐脱ハージングネットワークを構築し,その領域のヘイズ密度に応じてヘイズを適応的に除去する。
  論文  参考訳（メタデータ） (2021-09-26T09:45:59Z)

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。