論文の概要: STARK denoises spatial transcriptomics images via adaptive regularization

• arxiv url: http://arxiv.org/abs/2512.10994v1
• Date: Wed, 10 Dec 2025 06:19:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.50898
• Title: STARK denoises spatial transcriptomics images via adaptive regularization
• Title（参考訳）: STARKによる適応正則化による空間転写画像の復調
• Authors: Sharvaj Kubal, Naomi Graham, Matthieu Heitz, Andrew Warren, Michael P. Friedlander, Yaniv Plan, Geoffrey Schiebinger,
• Abstract要約: 超低シークエンシング深さの数値構造において, 細胞同一性を明らかにするのに特に有効であるトランスクリプトミクス画像の復号化手法を提案する。 適応正規化とカーネル反復(STARK)による空間的トランスクリプトミクス(Spatial Transcriptomics)は、競合する手法よりも一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 3.8065244182878613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an approach to denoising spatial transcriptomics images that is particularly effective for uncovering cell identities in the regime of ultra-low sequencing depths, and also allows for interpolation of gene expression. The method -- Spatial Transcriptomics via Adaptive Regularization and Kernels (STARK) -- augments kernel ridge regression with an incrementally adaptive graph Laplacian regularizer. In each iteration, we (1) perform kernel ridge regression with a fixed graph to update the image, and (2) update the graph based on the new image. The kernel ridge regression step involves reducing the infinite dimensional problem on a space of images to finite dimensions via a modified representer theorem. Starting with a purely spatial graph, and updating it as we improve our image makes the graph more robust to noise in low sequencing depth regimes. We show that the aforementioned approach optimizes a block-convex objective through an alternating minimization scheme wherein the sub-problems have closed form expressions that are easily computed. This perspective allows us to prove convergence of the iterates to a stationary point of this non-convex objective. Statistically, such stationary points converge to the ground truth with rate $\mathcal{O}(R^{-1/2})$ where $R$ is the number of reads. In numerical experiments on real spatial transcriptomics data, the denoising performance of STARK, evaluated in terms of label transfer accuracy, shows consistent improvement over the competing methods tested.
• Abstract（参考訳）: 超低シークエンシング深度条件下での細胞同一性を明らかにするのに特に有効であり,また遺伝子発現の補間にも有効である空間転写学画像のデノベート手法を提案する。 この手法 - Adaptive Regularization and Kernels (STARK) による空間的トランスクリプトミクス - は、インクリメンタル適応グラフ Laplacian regularizer でカーネルリッジの回帰を増大させる。 各イテレーションにおいて、(1)固定されたグラフを用いてカーネルリッジ回帰を行い、(2)新しい画像に基づいてグラフを更新する。 カーネルリッジ回帰ステップでは、画像空間上の無限次元問題を、修正された表現子定理によって有限次元に還元する。 純粋に空間的なグラフから始めて、画像を改善することで、低シークエンシング深度状態のノイズに対して、グラフをより堅牢にします。 上記の手法は,サブプロブレムが計算が容易なクローズドな形式表現を持つ交互最小化方式により,ブロック凸目標を最適化することを示す。 この観点は、この非凸目的の定常点への反復の収束を証明できる。 統計的に、そのような定常点は、$R$が読み取り数であるような速度$\mathcal{O}(R^{-1/2})$で基底真理に収束する。 実空間転写学データに関する数値実験では、ラベル転送精度の観点から評価したSTARKの復調性能は、試験された競合手法よりも一貫した改善を示した。

関連論文リスト

• From Image Denoisers to Regularizing Imaging Inverse Problems: An Overview [10.381324512554835]
  逆問題は現代のイメージング科学の中心にあり、医療画像、リモートセンシング、顕微鏡などの分野に広く応用されている。 近年、データ駆動の正則化器がますます使われるように、イメージングの逆問題解決のパラダイムシフトが見られた。 データ駆動型正規化の顕著なアプローチは、反復的画像再構成アルゴリズムにおいて、学習された画像復号器を暗黙の先行として使用することである。
  論文  参考訳（メタデータ） (2025-09-03T16:54:59Z)
• Stochastic Gradient Descent for Gaussian Processes Done Right [86.83678041846971]
  emphdone right -- 最適化とカーネルコミュニティからの具体的な洞察を使用するという意味で -- が、勾配降下は非常に効果的であることを示している。 本稿では,直感的に設計を記述し,設計選択について説明する。 本手法は,分子結合親和性予測のための最先端グラフニューラルネットワークと同程度にガウス過程の回帰を配置する。
  論文  参考訳（メタデータ） (2023-10-31T16:15:13Z)
• Retinex-based Image Denoising / Contrast Enhancement using Gradient Graph Laplacian Regularizer [45.89588014029562]
  本稿では,画像の劣化とコントラスト向上を両立させる高速Retinexベースの復元手法を提案する。 実験結果から,本アルゴリズムは複雑性を顕著に低減しつつ,競争力のある画像品質を実現することが示された。
  論文  参考訳（メタデータ） (2023-07-05T19:56:50Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
  我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。 自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。 元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
  論文  参考訳（メタデータ） (2022-03-22T17:06:07Z)
• Edge Tracing using Gaussian Process Regression [0.0]
  ガウス過程回帰を用いた新しいエッジトレースアルゴリズムを提案する。 我々のアプローチは、画像シーケンスのエッジを効率的に追跡する能力を持っている。 医療画像や衛星画像への様々な応用が、この技術を検証するために用いられている。
  論文  参考訳（メタデータ） (2021-11-05T16:43:14Z)
• On the Convergence of Stochastic Extragradient for Bilinear Games with Restarted Iteration Averaging [96.13485146617322]
  本稿では, ステップサイズが一定であるSEG法の解析を行い, 良好な収束をもたらす手法のバリエーションを示す。 平均化で拡張した場合、SEGはナッシュ平衡に確実に収束し、スケジュールされた再起動手順を組み込むことで、その速度が確実に加速されることを証明した。
  論文  参考訳（メタデータ） (2021-06-30T17:51:36Z)
• Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image Restoration [66.68541690283068]
  ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。 提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。 HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
  論文  参考訳（メタデータ） (2020-10-24T15:53:56Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)

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。