論文の概要: Robust Variational Model Based Tailored UNet: Leveraging Edge Detector and Mean Curvature for Improved Image Segmentation

• arxiv url: http://arxiv.org/abs/2512.07590v1
• Date: Mon, 08 Dec 2025 14:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.929239
• Title: Robust Variational Model Based Tailored UNet: Leveraging Edge Detector and Mean Curvature for Improved Image Segmentation
• Title（参考訳）: ロバスト変分モデルに基づくテーラー付きUNet:エッジ検出器の活用と画像分割改善のための平均曲率
• Authors: Kaili Qi, Zhongyi Huang, Wenli Yang,
• Abstract要約: 本稿では,変分モデルに基づくUNet(VM_TUNet)の頑健なバージョンを提案する。 VM_TUNetは、変分メソッドとディープラーニングを統合するハイブリッドフレームワークである。 3つのベンチマークデータセットを用いた実験により,提案手法は性能と計算効率のバランスの取れたトレードオフを実現することが示された。
• 参考スコア（独自算出の注目度）: 7.638424494500011
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To address the challenge of segmenting noisy images with blurred or fragmented boundaries, this paper presents a robust version of Variational Model Based Tailored UNet (VM_TUNet), a hybrid framework that integrates variational methods with deep learning. The proposed approach incorporates physical priors, an edge detector and a mean curvature term, into a modified Cahn-Hilliard equation, aiming to combine the interpretability and boundary-smoothing advantages of variational partial differential equations (PDEs) with the strong representational ability of deep neural networks. The architecture consists of two collaborative modules: an F module, which conducts efficient frequency domain preprocessing to alleviate poor local minima, and a T module, which ensures accurate and stable local computations, backed by a stability estimate. Extensive experiments on three benchmark datasets indicate that the proposed method achieves a balanced trade-off between performance and computational efficiency, which yields competitive quantitative results and improved visual quality compared to pure convolutional neural network (CNN) based models, while achieving performance close to that of transformer-based method with reasonable computational expense.
• Abstract（参考訳）: 本稿では,変化モデルに基づく階層型UNet(VM_TUNet)の頑健なバージョンを提案する。 提案手法は、物理先行項、エッジ検出器、平均曲率項を改良されたカーン・ヒリアード方程式に組み込み、変分偏微分方程式(PDE)の解釈性と境界平滑化の利点とディープニューラルネットワークの強い表現能力を組み合わせることを目的としている。 アーキテクチャは2つの協調モジュールで構成されており、Fモジュールはローカルの最小値の低減のために効率的な周波数領域前処理を行う。 3つのベンチマークデータセットの大規模な実験により,提案手法は性能と計算効率のバランスの取れたトレードオフを達成し,計算コストが妥当なトランスフォーマー法に近い性能を達成しつつ,競合的な定量的結果を得るとともに,純粋な畳み込みニューラルネットワーク(CNN)ベースのモデルと比較して視覚的品質を向上させることが示唆された。

関連論文リスト

• Image Segmentation via Variational Model Based Tailored UNet: A Deep Variational Framework [6.146992603795658]
  画像セグメンテーションのための変分モデルに基づくTalored UNet(VM_TUNet)を提案する。 VM_TUNetは、変分法の解釈可能性とエッジ保存特性をニューラルネットワークの適応的特徴学習と組み合わせている。 既存のアプローチと比較して,VM_TUNetはセグメンテーション性能が優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-09T05:50:22Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• A domain decomposition-based autoregressive deep learning model for unsteady and nonlinear partial differential equations [2.7755345520127936]
  非定常・非線形偏微分方程式(PDE)を正確にモデル化するためのドメイン分割型ディープラーニング(DL)フレームワークCoMLSimを提案する。 このフレームワークは、(a)畳み込みニューラルネットワーク(CNN)ベースのオートエンコーダアーキテクチャと(b)完全に接続された層で構成される自己回帰モデルという、2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-08-26T17:50:47Z)
• Conditional Mean and Variance Estimation via \textit{k}-NN Algorithm with Automated Variance Selection [9.943131787772323]
  条件平均と分散度を共同で推定するための新しいテクストリック・アレスト・ニアレスト回帰法(textitk-NN)を提案する。 提案アルゴリズムは,古典的非パラメトリックテクトitk-NNモデルの計算効率と多様体学習能力を保持する。
  論文  参考訳（メタデータ） (2024-02-02T18:54:18Z)
• 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)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)

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。