論文の概要: BioTamperNet: Affinity-Guided State-Space Model Detecting Tampered Biomedical Images

• arxiv url: http://arxiv.org/abs/2602.01435v2
• Date: Wed, 04 Feb 2026 02:39:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 15:07:33.705093
• Title: BioTamperNet: Affinity-Guided State-Space Model Detecting Tampered Biomedical Images
• Title（参考訳）: BioTamperNet: 親和性誘導状態空間モデルによるバイオメディカル画像の検出
• Authors: Soumyaroop Nandi, Prem Natarajan,
• Abstract要約: BioTamperNetは、改ざんされたバイオメディカル画像の重複領域を検出するための新しいフレームワークである。 本設計では, 軽量SSMにインスパイアされた線形アテンション機構を統合し, 効率よく, きめ細かなローカライゼーションを実現する。
• 参考スコア（独自算出の注目度）: 8.024142807011378
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose BioTamperNet, a novel framework for detecting duplicated regions in tampered biomedical images, leveraging affinity-guided attention inspired by State Space Model (SSM) approximations. Existing forensic models, primarily trained on natural images, often underperform on biomedical data where subtle manipulations can compromise experimental validity. To address this, BioTamperNet introduces an affinity-guided self-attention module to capture intra-image similarities and an affinity-guided cross-attention module to model cross-image correspondences. Our design integrates lightweight SSM-inspired linear attention mechanisms to enable efficient, fine-grained localization. Trained end-to-end, BioTamperNet simultaneously identifies tampered regions and their source counterparts. Extensive experiments on the benchmark bio-forensic datasets demonstrate significant improvements over competitive baselines in accurately detecting duplicated regions. Code - https://github.com/SoumyaroopNandi/BioTamperNet
• Abstract（参考訳）: 本研究では, 状態空間モデル(SSM)近似に着想を得た親和性誘導型注意力を利用した, 改ざんされた生体医用画像中の重複領域を検出する新しいフレームワークであるBioTamperNetを提案する。 既存の法医学モデルは、主に自然画像に基づいて訓練されており、微妙な操作が実験的な妥当性を損なう生医学的なデータでは性能が劣ることが多い。 この問題を解決するために、BioTamperNetは、画像内類似性を捉えるアフィニティ誘導自己アテンションモジュールと、クロスイメージ対応をモデル化するアフィニティ誘導相互アテンションモジュールを導入している。 本設計では, 軽量SSMにインスパイアされた線形アテンション機構を統合し, 効率よく, きめ細かなローカライゼーションを実現する。 エンドツーエンドでトレーニングされたBioTamperNetは、同時に改ざんされたリージョンとそのソースを識別する。 ベンチマーク生物法医学データセットの大規模な実験は、複製された領域を正確に検出する際の競争ベースラインよりも大幅に改善されたことを示す。 コード - https://github.com/SoumyaroopNandi/BioTamperNet

関連論文リスト

• Rescind: Countering Image Misconduct in Biomedical Publications with Vision-Language and State-Space Modeling [8.024142807011378]
  バイオメディカル・イメージ・フォージェリーの生成と検出を両立させる最初の視覚言語ガイドフレームワークを提案する。 拡散に基づく合成と視覚言語プロンプトを組み合わせることで,現実的かつ意味論的に制御された操作を可能にする。 Integscanは、検出とローカライゼーションの両方において、技術パフォーマンスの状態を達成し、自動化された科学的完全性分析の強力な基盤を確立する。
  論文  参考訳（メタデータ） (2026-01-12T22:13:58Z)
• BioVessel-Net and RetinaMix: Unsupervised Retinal Vessel Segmentation from OCTA Images [16.61148063147746]
  BioVessel-Netは非教師なしの生成フレームワークであり、船体バイオ統計学と敵対的精錬と半径誘導セグメンテーション戦略を統合している。 2Dおよび3D OCTA画像の新しいベンチマークデータセットであるRetinaMixを紹介した。 BioVessel-Netは、RetinaMixおよび既存のデータセット間でほぼ完璧なセグメンテーション精度を実現し、最先端の教師付きおよび半教師付きメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-09-28T03:46:20Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Semi-Supervised Biomedical Image Segmentation via Diffusion Models and Teacher-Student Co-Training [7.915123555266876]
  セマンティックセグメンテーションの深層学習は, 医用画像の解剖学的, 病理学的構造を正確に同定する上で, 優れた成果を上げている。 多くの場合、大きなアノテートされたトレーニングデータセットを必要とするため、臨床環境でのスケーラビリティが制限される。 本稿では, バイオメディカルイメージセグメンテーションのための半教師型教員学生フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-04-02T09:41:43Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Exposing Image Splicing Traces in Scientific Publications via Uncertainty-guided Refinement [30.698359275889363]
  画像操作の疑いのある科学出版物の急増は、多くの撤回につながった。 画像スプライシング検出は、参照画像の欠如と典型的には小さな改ざんされた領域のため、より困難である。 本稿では,破壊要因の影響を軽減するために,不確実性誘導型リファインメントネットワーク(URN)を提案する。
  論文  参考訳（メタデータ） (2023-09-28T12:36:12Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• ScoreNet: Learning Non-Uniform Attention and Augmentation for Transformer-Based Histopathological Image Classification [11.680355561258427]
  高解像度画像はデジタル病理の進歩を妨げる。 パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。 本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。 局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
  論文  参考訳（メタデータ） (2022-02-15T16:55:09Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。