論文の概要: SGW-GAN: Sliced Gromov-Wasserstein Guided GANs for Retinal Fundus Image Enhancement

• arxiv url: http://arxiv.org/abs/2601.13417v1
• Date: Mon, 19 Jan 2026 21:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.074753
• Title: SGW-GAN: Sliced Gromov-Wasserstein Guided GANs for Retinal Fundus Image Enhancement
• Title（参考訳）: SGW-GAN:Sliced Gromov-Wasserstein Guided GANs for Retinal Fundus Image enhance
• Authors: Yujian Xiong, Xuanzhao Dong, Wenhui Zhu, Xin Li, Oana Dumitrascu, Yalin Wang,
• Abstract要約: 近年のGANおよび拡散に基づく拡張手法は、劣化した画像を高品質な分布に整列させることで知覚品質を向上させる。 SGW-GANは、Sliced GW(SGW)を網膜画像拡張に組み込んだ最初のフレームワークである。 公開データセットの実験では、SGW-GANは視覚的に説得力のある拡張を行い、優れた糖尿病網膜症をグレーディングし、疾患ラベル間でのGW差が最も低いことを報告している。
• 参考スコア（独自算出の注目度）: 8.459174944716906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retinal fundus photography is indispensable for ophthalmic screening and diagnosis, yet image quality is often degraded by noise, artifacts, and uneven illumination. Recent GAN- and diffusion-based enhancement methods improve perceptual quality by aligning degraded images with high-quality distributions, but our analysis shows that this focus can distort intra-class geometry: clinically related samples become dispersed, disease-class boundaries blur, and downstream tasks such as grading or lesion detection are harmed. The Gromov Wasserstein (GW) discrepancy offers a principled solution by aligning distributions through internal pairwise distances, naturally preserving intra-class structure, but its high computational cost restricts practical use. To overcome this, we propose SGW-GAN, the first framework to incorporate Sliced GW (SGW) into retinal image enhancement. SGW approximates GW via random projections, retaining relational fidelity while greatly reducing cost. Experiments on public datasets show that SGW-GAN produces visually compelling enhancements, achieves superior diabetic retinopathy grading, and reports the lowest GW discrepancy across disease labels, demonstrating both efficiency and clinical fidelity for unpaired medical image enhancement.
• Abstract（参考訳）: 網膜眼底撮影は眼科検査や診断には不可欠であるが、画像の品質はノイズ、アーチファクト、不均一な照明によって劣化することが多い。 近年のGANおよび拡散型強調法は、劣化画像と高品質な分布を一致させることで知覚品質を向上させるが、本研究は、臨床関連サンプルが分散し、疾患境界がぼやけ、グレーディングや病変検出などの下流タスクが損なわれるという、クラス内形状を歪曲できることを示している。 グロモフ・ワッサーシュタイン(英語版)(Gromov Wasserstein、GW)の相違は、内部の対距離を通して分布を整列させ、自然にクラス内構造を保存するという原理的な解を提供するが、その高い計算コストは実用的利用を制限する。 そこで本稿では,Sliced GW(SGW)を網膜画像強調に組み込んだ最初のフレームワークであるSGW-GANを提案する。 SGWはランダムなプロジェクションを通じてGWを近似し、リレーショナル忠実度を維持しながらコストを大幅に削減する。 公開データセットの実験では、SGW-GANは視覚的に説得力のある拡張を生み出し、糖尿病性網膜症を優良に評価し、疾患ラベル間のGW差が低いことを報告し、未治療の医用画像強調のための効率性と臨床的忠実さの両方を実証している。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Enhancing Fundus Image-based Glaucoma Screening via Dynamic Global-Local Feature Integration [26.715346685730484]
  特徴抽出のための最適境界を自律的に決定する自己適応型注意窓を提案する。 また,グローバルな特徴とローカルな特徴を,特徴線形読み出しによって効果的に融合するマルチヘッドアテンション機構を導入する。 緑内障の分類において,本手法が優れた精度とロバスト性を実現することを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-04-01T05:28:14Z)
• DiffuPT: Class Imbalance Mitigation for Glaucoma Detection via Diffusion Based Generation and Model Pretraining [1.8218878957822688]
  緑内障は、視神経頭の構造的損傷と視野の機能的変化を特徴とする進行性視神経症である。 本研究では, 緑内障の診断, 特に合成データ生成によるクラス不均衡に対処するために, 生成的枠組みを用いている。
  論文  参考訳（メタデータ） (2024-12-04T17:39:44Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based Single Image Super-resolution [88.13972071356422]
  本稿では,DifAugGAN として知られる GAN ベースの画像超解像法(SR) のための拡散型データ拡張手法を提案する。 それは、訓練中の判別器の校正を改善するために、生成拡散モデルに拡散過程を適用することを含む。 我々のDifAugGANは、現在のGANベースのSISR手法のプラグ・アンド・プレイ戦略であり、判別器の校正を改善し、SR性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-11-30T12:37:53Z)
• OTRE: Where Optimal Transport Guided Unpaired Image-to-Image Translation Meets Regularization by Enhancing [4.951748109810726]
  正確な診断と自動解析のために、最適な網膜画像品質が義務付けられている。 そこで本研究では,低品質の網膜CFPを高画質のCFPにマッピングするための画像対画像変換手法を提案する。 統合されたフレームワークOTREを3つの公開網膜画像データセット上で検証した。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)
• Optimal Transport Guided Unsupervised Learning for Enhancing low-quality Retinal Images [5.4240246179935845]
  現実の非ミリ波網膜基底写真は、人工物、不完全、そして低品質である。 高品質な網膜基底画像の高精細化のための,シンプルで効果的なエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-06T18:29:30Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。