論文の概要: SpectralMamba-UNet: Frequency-Disentangled State Space Modeling for Texture-Structure Consistent Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2602.23103v1
• Date: Thu, 26 Feb 2026 15:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.744992
• Title: SpectralMamba-UNet: Frequency-Disentangled State Space Modeling for Texture-Structure Consistent Medical Image Segmentation
• Title（参考訳）: SpectralMamba-UNet: テクスチャ構造を持つ医用画像分割のための周波数不整形状態空間モデリング
• Authors: Fuhao Zhang, Lei Liu, Jialin Zhang, Ya-Nan Zhang, Nan Mu,
• Abstract要約: 本稿ではスペクトル領域における構造情報とテクスチャ情報の学習を分離するためにSpectralMamba-UNetを提案する。 5つの公開ベンチマークの実験では、様々なモダリティとセグメンテーションターゲットに対して一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 14.42559964239819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate medical image segmentation requires effective modeling of both global anatomical structures and fine-grained boundary details. Recent state space models (e.g., Vision Mamba) offer efficient long-range dependency modeling. However, their one-dimensional serialization weakens local spatial continuity and high-frequency representation. To this end, we propose SpectralMamba-UNet, a novel frequency-disentangled framework to decouple the learning of structural and textural information in the spectral domain. Our Spectral Decomposition and Modeling (SDM) module applies discrete cosine transform to decompose low- and high-frequency features, where low frequency contributes to global contextual modeling via a frequency-domain Mamba and high frequency preserves boundary-sensitive details. To balance spectral contributions, we introduce a Spectral Channel Reweighting (SCR) mechanism to form channel-wise frequency-aware attention, and a Spectral-Guided Fusion (SGF) module to achieve adaptively multi-scale fusion in the decoder. Experiments on five public benchmarks demonstrate consistent improvements across diverse modalities and segmentation targets, validating the effectiveness and generalizability of our approach.
• Abstract（参考訳）: 正確な医用画像分割は、大域解剖学的構造ときめ細かい境界の詳細の両方を効果的にモデル化する必要がある。 最近の状態空間モデル(例えば、Vision Mamba)は、効率的な長距離依存性モデリングを提供する。 しかし、それらの一次元シリアライゼーションは局所的な空間連続性と高周波表現を弱める。 この目的のために、スペクトル領域における構造情報とテクスチャ情報の学習を分離する新しい周波数分散フレームワークであるSpectralMamba-UNetを提案する。 我々のスペクトル分解・モデリング(SDM)モジュールは離散コサイン変換を用いて低周波・低周波の特徴を分解する。 スペクトルコントリビューションのバランスをとるために、チャネルワイド周波数認識のためのスペクトルチャネルリウェイト(SCR)機構と、デコーダの適応的マルチスケール融合を実現するためのスペクトルガイド融合(SGF)モジュールを導入する。 5つの公開ベンチマークの実験は、様々なモダリティとセグメンテーションターゲットをまたいだ一貫した改善を示し、我々のアプローチの有効性と一般化性を検証する。

関連論文リスト

• Versatile and Efficient Medical Image Super-Resolution Via Frequency-Gated Mamba [10.69081892501522]
  本稿では,FGMambaを提案する。FGMambaは,グローバルな依存性モデリングと細部拡張を軽量アーキテクチャに統合した,周波数対応のゲート状態空間モデルである。 本研究は,スケーラブルかつ高精度な医用画像強調のための周波数認識状態空間モデリングの有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-31T09:12:12Z)
• A Spatial-Spectral-Frequency Interactive Network for Multimodal Remote Sensing Classification [45.80836671298513]
  本稿では,空間,スペクトル,周波数領域にまたがる相互融合モジュールを統合した空間-スペクトル-周波数相互作用ネットワーク(S$2$Fin)を提案する。 ラベル付きデータに制限のある4つのベンチマークマルチモーダルデータセットの実験は、S$2$Finが優れた分類を行い、最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2025-10-06T09:33:35Z)
• SSFMamba: Symmetry-driven Spatial-Frequency Feature Fusion for 3D Medical Image Segmentation [40.740193362371734]
  3次元医用画像分割のためのシンメトリー駆動型空間周波数特徴融合ネットワークであるSSFMambaを提案する。 SSFMambaは、空間領域と周波数領域の両方から特徴を抽出する補完的な二重ブランチアーキテクチャを採用している。 周波数領域分岐では、マンバの異常な能力を利用して、グローバルな文脈情報を抽出する。
  論文  参考訳（メタデータ） (2025-08-05T04:36:04Z)
• FAD: Frequency Adaptation and Diversion for Cross-domain Few-shot Learning [35.40065954148091]
  ドメイン間数ショット学習では、大きな分散シフトの下で限定ラベル付きサンプルからモデルを一般化する必要がある。 本稿では、スペクトル成分を明示的にモデル化・変調する周波数対応フレームワークである周波数適応・変換(FAD)を紹介する。 FADは、目に見えないドメインと見えないドメインの両方において、最先端のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-13T08:48:06Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Unleashing Correlation and Continuity for Hyperspectral Reconstruction from RGB Images [64.80875911446937]
  RGB画像からのHSI再構成のための相関連続性ネットワーク(CCNet)を提案する。 局所スペクトルの相関について,GrSCM(Group-wise Spectral correlation Modeling)モジュールを紹介する。 グローバルスペクトルの連続性のために、我々はNeSCMモジュールを設計する。
  論文  参考訳（メタデータ） (2025-01-02T15:14:40Z)

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。