論文の概要: A Contrastive Pre-trained Foundation Model for Deciphering Imaging Noisomics across Modalities

• arxiv url: http://arxiv.org/abs/2601.17047v1
• Date: Wed, 21 Jan 2026 02:52:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.09372
• Title: A Contrastive Pre-trained Foundation Model for Deciphering Imaging Noisomics across Modalities
• Title（参考訳）: モダリティ全体にわたる画像ノイズの抽出のためのコントラスト的事前学習基礎モデル
• Authors: Yuanjie Gu, Yiqun Wang, Chaohui Yu, Ang Xuan, Fan Wang, Zhi Lu, Biqin Dong,
• Abstract要約: ノイズ(Noisomics)とは、抑圧から体系的なノイズデコーディングへ焦点を移すフレームワークである。 CoPはコントラスト学習を用いて摂動から意味的信号を解き放つ。 CoPは従来のディープラーニングスケーリングの法則を破り、100のトレーニングサンプルだけで優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 21.574587733837973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Characterizing imaging noise is notoriously data-intensive and device-dependent, as modern sensors entangle physical signals with complex algorithmic artifacts. Current paradigms struggle to disentangle these factors without massive supervised datasets, often reducing noise to mere interference rather than an information resource. Here, we introduce "Noisomics", a framework shifting the focus from suppression to systematic noise decoding via the Contrastive Pre-trained (CoP) Foundation Model. By leveraging the manifold hypothesis and synthetic noise genome, CoP employs contrastive learning to disentangle semantic signals from stochastic perturbations. Crucially, CoP breaks traditional deep learning scaling laws, achieving superior performance with only 100 training samples, outperforming supervised baselines trained on 100,000 samples, thereby reducing data and computational dependency by three orders of magnitude. Extensive benchmarking across 12 diverse out-of-domain datasets confirms its robust zero-shot generalization, demonstrating a 63.8% reduction in estimation error and an 85.1% improvement in the coefficient of determination compared to the conventional training strategy. We demonstrate CoP's utility across scales: from deciphering non-linear hardware-noise interplay in consumer photography to optimizing photon-efficient protocols for deep-tissue microscopy. By decoding noise as a multi-parametric footprint, our work redefines stochastic degradation as a vital information resource, empowering precise imaging diagnostics without prior device calibration.
• Abstract（参考訳）: 現代のセンサーは複雑なアルゴリズムのアーティファクトで物理的信号を絡み合わせるため、画像ノイズを特徴付けることは、データ集約的でデバイス依存で悪名高い。 現在のパラダイムは、大量の教師付きデータセットを使わずにこれらの要因を解き放つのに苦労している。 本稿では,Contrastive Pre-trained (CoP) Foundation Modelを通じて,抑圧から体系的なノイズデコーディングへ焦点を移すフレームワークである"Noisomics"を紹介する。 多様体仮説と合成ノイズゲノムを活用することで、CoPは確率的摂動から意味信号をアンタングルするために対照的な学習を用いる。 重要なのは、CoPは従来のディープラーニングスケーリング法を破り、100のトレーニングサンプルで優れたパフォーマンスを実現し、10万のサンプルでトレーニングされた教師付きベースラインを上回り、データと計算依存を3桁の精度で削減する。 12種類のドメイン外のデータセットにわたる大規模なベンチマークでは、その堅牢なゼロショットの一般化が確認され、63.8%の予測誤差と85.1%の判定係数が従来のトレーニング戦略と比較して改善された。 消費者写真における非線形ハードウェアノイズ間相互作用の解読から、深部顕微鏡のための光子効率プロトコルの最適化に至るまで、CoPの実用性を実証する。 ノイズをマルチパラメトリックフットプリントとしてデコードすることで、我々の研究は確率劣化を重要な情報資源として再定義し、事前の装置校正なしに正確な画像診断を行えるようにした。

関連論文リスト

• Machine Unlearning for Robust DNNs: Attribution-Guided Partitioning and Neuron Pruning in Noisy Environments [5.8166742412657895]
  ディープニューラルネットワーク(DNN)は、さまざまなドメインで顕著な成功を収めているが、ノイズやトレーニングデータによってそのパフォーマンスが著しく低下する可能性がある。 本稿では,帰属誘導型データパーティショニング,識別的ニューロンプルーニング,およびノイズのあるサンプルの影響を軽減するための微調整を目的とした新しいフレームワークを提案する。 CIFAR-10の標準リトレーニングよりも約10%の絶対精度向上を実現し,ラベルノイズを注入した。
  論文  参考訳（メタデータ） (2025-06-13T09:37:11Z)
• Behind the Noise: Conformal Quantile Regression Reveals Emergent Representations [0.2445561610325265]
  本稿では,不確実性境界を校正した低品質測定を識別する機械学習手法を提案する。 共形量子レグレッションを用いて訓練された軽量でランダムに構造化されたニューラルネットワークのアンサンブルを用いて,本手法は信頼性の高い復調を行う。 実世界の地球生物化学イメージングデータに対するアプローチを検証し、自信ある解釈をサポートし、実験設計をガイドする方法を示す。
  論文  参考訳（メタデータ） (2025-05-13T02:27:12Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• Inference Stage Denoising for Undersampled MRI Reconstruction [13.8086726938161]
  磁気共鳴画像(MRI)データの再構成は、ディープラーニングによって肯定的な影響を受けている。 重要な課題は、トレーニングとテストデータ間の分散シフトへの一般化を改善することだ。
  論文  参考訳（メタデータ） (2024-02-12T12:50:10Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
  本稿では,単一画像の自己教師型学習手法を提案する。 繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。 提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-06-04T00:08:58Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• When deep denoising meets iterative phase retrieval [5.639904484784126]
  従来の位相の検索アルゴリズムはノイズが存在する場合に苦しむが、クリーンなデータを与えると世界収束を示す。 ここでは,位相探索からの反復的手法とディープデノイザからの画像統計とを,正規化によるデノジングにより組み合わせる。 得られた手法は各手法の利点を継承し、他のノイズロス位相探索アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-03-03T21:00:45Z)

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。