論文の概要: Domain-Shift Immunity in Deep Deformable Registration via Local Feature Representations

• arxiv url: http://arxiv.org/abs/2512.23142v1
• Date: Mon, 29 Dec 2025 02:10:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.375791
• Title: Domain-Shift Immunity in Deep Deformable Registration via Local Feature Representations
• Title（参考訳）: 局所的特徴表現による深い変形可能な登録におけるドメインシフト免疫
• Authors: Mingzhen Shao, Sarang Joshi,
• Abstract要約: ドメインシフトは、深い変形可能な登録モデルの固有の特性であることを示す。 変形推定から特徴抽出を分離するユニバーサル登録フレームワークUniRegを導入する。 単一のデータセットでのトレーニングにもかかわらず、UniRegは、最適化ベースのメソッドに匹敵する堅牢なクロスドメインとマルチモーダルパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 0.2864713389096699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has advanced deformable image registration, surpassing traditional optimization-based methods in both accuracy and efficiency. However, learning-based models are widely believed to be sensitive to domain shift, with robustness typically pursued through large and diverse training datasets, without explaining the underlying mechanisms. In this work, we show that domain-shift immunity is an inherent property of deep deformable registration models, arising from their reliance on local feature representations rather than global appearance for deformation estimation. To isolate and validate this mechanism, we introduce UniReg, a universal registration framework that decouples feature extraction from deformation estimation using fixed, pre-trained feature extractors and a UNet-based deformation network. Despite training on a single dataset, UniReg exhibits robust cross-domain and multi-modal performance comparable to optimization-based methods. Our analysis further reveals that failures of conventional CNN-based models under modality shift originate from dataset-induced biases in early convolutional layers. These findings identify local feature consistency as the key driver of robustness in learning-based deformable registration and motivate backbone designs that preserve domain-invariant local features.
• Abstract（参考訳）: ディープラーニングは画像登録の精度と効率の両面で従来の最適化手法を超越した、高度な変形可能な画像登録を持っている。 しかし、学習ベースのモデルはドメインシフトに敏感であると広く信じられている。 本研究では, ドメインシフト免疫が, 変形推定のためのグローバルな外観ではなく, 局所的特徴表現に依存することから, 深い変形可能な登録モデルの固有の性質であることを示す。 このメカニズムを分離し、検証するために、UniRegを導入する。UniRegは、固定された事前学習された特徴抽出器とUNetベースの変形ネットワークを用いて、変形推定から特徴抽出を分離する普遍的な登録フレームワークである。 単一のデータセットでのトレーニングにもかかわらず、UniRegは、最適化ベースのメソッドに匹敵する堅牢なクロスドメインとマルチモーダルパフォーマンスを示している。 さらに, 従来のCNNモデルでは, 初期畳み込み層におけるデータセットによるバイアスから, モダリティシフトによる故障が生じることが明らかとなった。 これらの結果から, 局所的特徴整合性は, 学習に基づく変形可能な登録におけるロバスト性の主要な要因であり, ドメイン不変な局所的特徴を保存するバックボーン設計を動機付けていることがわかった。

関連論文リスト

• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• SelectiveFinetuning: Enhancing Transfer Learning in Sleep Staging through Selective Domain Alignment [3.5833494449195293]
  実用的な睡眠段階分類において、重要な課題は、異なる主題や環境にわたる脳波データの変動である。 脳波の特徴を抽出するために,事前訓練された多分解能畳み込みニューラルネットワーク(MRCNN)を用いる。 選択的なソースデータでモデルを微調整することで、SelectiveFinetuningはターゲットドメインにおけるモデルの性能を向上させる。
  論文  参考訳（メタデータ） (2025-01-07T13:08:54Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Spatially-varying Regularization with Conditional Transformer for Unsupervised Image Registration [11.498623409184225]
  ニューラルネットワークを用いてデータから直接変形正規化器を学習するエンドツーエンドフレームワークを提案する。 提案手法はTransformerベースのモデルに基づいて構築されるが,任意のネットワークアーキテクチャに容易に適応できる。
  論文  参考訳（メタデータ） (2023-03-10T19:11:16Z)
• Variational Transfer Learning using Cross-Domain Latent Modulation [1.9662978733004601]
  本稿では,効率的な転送学習を実現するために,新しいドメイン間遅延変調機構を変分オートエンコーダフレームワークに導入する。 ソース領域とターゲット領域の深部表現は、まず統一推論モデルにより抽出され、勾配逆数を用いて整列される。 学習した深層表現は、一貫性の制約が適用される代替ドメインの潜在エンコーディングにクロスモデレートされる。
  論文  参考訳（メタデータ） (2022-05-31T03:47:08Z)
• Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
  ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。 本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。 本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
  論文  参考訳（メタデータ） (2020-07-06T17:59:30Z)

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。