論文の概要: Dynamic Stream Network for Combinatorial Explosion Problem in Deformable Medical Image Registration
- arxiv url: http://arxiv.org/abs/2512.19486v1
- Date: Mon, 22 Dec 2025 15:43:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.808142
- Title: Dynamic Stream Network for Combinatorial Explosion Problem in Deformable Medical Image Registration
- Title（参考訳）: 変形可能な医用画像登録における組合せ爆発問題に対する動的ストリームネットワーク
- Authors: Shaochen Bi, Yuting He, Weiming Wang, Hao Chen,
- Abstract要約: Deformable Medical Image Registration (DMIR) における二重入力による組合せ爆発問題
本稿では、受容場と重みを動的に調整できる動的ストリームネットワーク(DySNet)を提案する。
- 参考スコア（独自算出の注目度）: 9.429657735545293
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Combinatorial explosion problem caused by dual inputs presents a critical challenge in Deformable Medical Image Registration (DMIR). Since DMIR processes two images simultaneously as input, the combination relationships between features has grown exponentially, ultimately the model considers more interfering features during the feature modeling process. Introducing dynamics in the receptive fields and weights of the network enable the model to eliminate the interfering features combination and model the potential feature combination relationships. In this paper, we propose the Dynamic Stream Network (DySNet), which enables the receptive fields and weights to be dynamically adjusted. This ultimately enables the model to ignore interfering feature combinations and model the potential feature relationships. With two key innovations: 1) Adaptive Stream Basin (AdSB) module dynamically adjusts the shape of the receptive field, thereby enabling the model to focus on the feature relationships with greater correlation. 2) Dynamic Stream Attention (DySA) mechanism generates dynamic weights to search for more valuable feature relationships. Extensive experiments have shown that DySNet consistently outperforms the most advanced DMIR methods, highlighting its outstanding generalization ability. Our code will be released on the website: https://github.com/ShaochenBi/DySNet.
- Abstract（参考訳）: 二重入力による組合せ爆発問題は、変形可能な医用画像登録(DMIR)において重要な課題である。
DMIRは入力として2つの画像を同時に処理するため、特徴間の結合関係は指数関数的に増加し、最終的には特徴モデリングプロセスにおいてより干渉する特徴を考慮する。
ネットワークの受容場と重み付けにおけるダイナミクスの導入により、モデルは干渉する特徴の組み合わせを排除し、潜在的な特徴の組み合わせ関係をモデル化することができる。
本稿では、受容場と重みを動的に調整できる動的ストリームネットワーク(DySNet)を提案する。
これにより、モデルが機能の組み合わせの干渉を無視し、潜在的な機能関係をモデル化することが可能になる。
重要なイノベーションは2つあります。
1) アダプティブストリームベースン(AdSB)モジュールは受容場の形状を動的に調整することにより,モデルがより大きな相関関係で特徴関係に集中できるようにする。
2)動的ストリーム注意(DySA)機構は,より価値のある特徴関係を探すために動的重みを生成する。
大規模な実験により、DySNetは最も高度なDMIR法よりも優れており、その卓越した一般化能力を強調している。
私たちのコードは、Webサイト(https://github.com/ShaochenBi/DySNet)で公開される。
関連論文リスト
- Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models [6.403678133359229]
高次元記録における潜伏力学は、しばしばより小さな有効変数の集合によって特徴づけられる。
ほとんどの機械学習アプローチは、動的一貫性を強制するモデルとともにオートエンコーダをトレーニングすることで、これらのタスクに共同で取り組む。
我々は最近導入されたファンデーション推論モデル(FIM)を利用して2つの問題を分離することを提案する。
半円拡散を合成ビデオデータに埋め込んだ二重井戸系における概念実証は、高速で再利用可能な粗粒化パイプラインに対するこのアプローチの可能性を示している。
論文 参考訳（メタデータ） (2025-10-14T15:17:23Z) - Structural Similarity-Inspired Unfolding for Lightweight Image Super-Resolution [88.20464308588889]
効率的な画像SRのための構造類似インスパイアド・アンフォールディング(SSIU)法を提案する。
この方法は、構造的類似性に制約されたSR最適化関数の展開によって設計される。
我々のモデルは現在の最先端モデルより優れており、パラメータ数が低く、メモリ消費が減少している。
論文 参考訳（メタデータ） (2025-06-13T14:29:40Z) - A Deep Autoregressive Model for Dynamic Combinatorial Complexes [0.0]
DAMCC(Deep Autoregressive Model for Dynamic Combinatorial Complexes)は,動的コンプレックス(CC)を生成するために設計された最初のディープラーニングモデルである。
従来のグラフベースのモデルとは異なり、CCは高次のインタラクションをキャプチャし、ソーシャルネットワーク、生物学的システム、進化するインフラを表現するのに理想的である。
論文 参考訳（メタデータ） (2025-03-03T19:15:40Z) - FuXi-$α$: Scaling Recommendation Model with Feature Interaction Enhanced Transformer [81.12174905444229]
近年の進歩は、大規模レコメンデーションモデルに逐次レコメンデーションモデルを拡張することが効果的な戦略であることを示している。
これらの問題に対処するために、FuXi-$alpha$と呼ばれる新しいモデルを提案する。
我々のモデルは既存のモデルよりも優れており、モデルのサイズが大きくなるにつれてその性能は継続的に向上する。
論文 参考訳（メタデータ） (2025-02-05T09:46:54Z) - ACDiT: Interpolating Autoregressive Conditional Modeling and Diffusion Transformer [95.80384464922147]
ACDiTはブロックワイド条件拡散変換器である。
トークン単位の自己回帰とフルシーケンス拡散のフレキシブルな関係を提供する。
本稿では,映像生成タスクにおける自己回帰ベースラインの中で,ACDiTが最良であることを示す。
論文 参考訳（メタデータ） (2024-12-10T18:13:20Z) - DyFADet: Dynamic Feature Aggregation for Temporal Action Detection [70.37707797523723]
カーネル重みと受容フィールドを異なるタイムスタンプで適応できる新しい動的特徴集約(DFA)モジュールを構築した。
DFAを使用することで動的DADヘッド(DyHead)の開発を支援し、パラメータを調整したマルチスケール機能を適応的に集約する。
新しい動的TADモデルであるDyFADetは、一連の挑戦的なTADベンチマークで有望なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-07-03T15:29:10Z) - FusionMamba: Dynamic Feature Enhancement for Multimodal Image Fusion with Mamba [19.761723108363796]
FusionMamba はコンピュータビジョンタスクにおいて CNN や Vision Transformers (ViT) が直面する課題を克服することを目的としている。
このフレームワークは動的畳み込みとチャネルアテンション機構を統合することで、視覚的状態空間モデルMambaを改善している。
実験により、FusionMambaは様々なマルチモーダル画像融合タスクや下流実験で最先端の性能を達成することが示された。
論文 参考訳（メタデータ） (2024-04-15T06:37:21Z) - DynInt: Dynamic Interaction Modeling for Large-scale Click-Through Rate
Prediction [0.0]
機能インタラクションの学習は、Adsランキングとレコメンデーションシステムにおける大規模なCTR予測の成功の鍵である。
このような問題をモデル化するために、ディープニューラルネットワークベースのモデルが広く採用されている。
我々はDynIntという新しいモデルを提案する。DynIntは動的でデータに依存しない高次相互作用を学習する。
論文 参考訳（メタデータ） (2023-01-03T13:01:30Z) - Bi-Bimodal Modality Fusion for Correlation-Controlled Multimodal
Sentiment Analysis [96.46952672172021]
Bi-Bimodal Fusion Network (BBFN) は、2対のモダリティ表現で融合を行う新しいエンドツーエンドネットワークである。
モデルは、モダリティ間の既知の情報不均衡により、2つのバイモーダルペアを入力として取る。
論文 参考訳（メタデータ） (2021-07-28T23:33:42Z) - MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。
我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。
重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文 参考訳（メタデータ） (2021-07-22T03:10:51Z)
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。