論文の概要: One CT Unified Model Training Framework to Rule All Scanning Protocols

• arxiv url: http://arxiv.org/abs/2603.15025v1
• Date: Mon, 16 Mar 2026 09:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:57.982717
• Title: One CT Unified Model Training Framework to Rule All Scanning Protocols
• Title（参考訳）: 全スキャンプロトコルを規定する1つのCT統一モデルトレーニングフレームワーク
• Abstract要約: NICT(Non-ideal Measurement Computed Tomography)はCTの臨床的使用を拡大している。 ほとんどの方法はペアデータを必要とするが、これは避けられない臓器の動きによる非現実的な要求である。 サブマニフォールド間のギャップを埋めるために,不確実誘導マニフォールド平滑化(UMS)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.68329101435685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-ideal measurement computed tomography (NICT), which lowers radiation at the cost of image quality, is expanding the clinical use of CT. Although unified models have shown promise in NICT enhancement, most methods require paired data, which is an impractical demand due to inevitable organ motion. Unsupervised approaches attempt to overcome this limitation, but their assumption of homogeneous noise neglects the variability of scanning protocols, leading to poor generalization and potential model collapse. We further observe that distinct scanning protocols, which correspond to different physical imaging processes, produce discrete sub-manifolds in the feature space, contradicting these assumptions and limiting their effectiveness. To address this, we propose an Uncertainty-Guided Manifold Smoothing (UMS) framework to bridge the gaps between sub-manifolds. A classifier in UMS identifies sub-manifolds and predicts uncertainty scores, which guide the generation of diverse samples across the entire manifold. By leveraging the classifier's capability, UMS effectively fills the gaps between discrete sub-manifolds, and promotes a continuous and dense feature space. Due to the complexity of the global manifold, it's hard to directly model it. Therefore, we propose to dynamically incorporate the global- and sub-manifold-specific features. Specifically, we design a global- and sub-manifold-driven architecture guided by the classifier, which enables dynamic adaptation to subdomain variations. This dynamic mechanism improves the network's capacity to capture both shared and domain-specific features, thereby improving reconstruction performance. Extensive experiments on public datasets are conducted to validate the effectiveness of our method across different generation paradigms.
• Abstract（参考訳）: 画像品質を犠牲にして放射線量を下げる非理想計測CT(NICT)は,CTの臨床的利用を拡大している。 統一されたモデルではNICTの強化が期待できるが、ほとんどの手法では、避けられない臓器の動きのために非現実的な要求であるペア化されたデータを必要とする。 教師なしのアプローチは、この制限を克服しようとするが、同種ノイズの仮定は走査プロトコルの可変性を無視し、一般化の低さと潜在的なモデル崩壊をもたらす。 さらに、異なる物理イメージングプロセスに対応する異なる走査プロトコルが特徴空間の離散部分多様体を生成し、これらの仮定を矛盾させ、それらの有効性を制限することを観察する。 これを解決するために、サブ多様体間のギャップを埋めるために、不確実誘導マニフォールド平滑化(UMS)フレームワークを提案する。 UMSの分類器は部分多様体を特定し、不確実性のスコアを予測し、多様体全体にわたる多様なサンプルの生成を導く。 分類器の能力を利用することで、UMSは離散部分多様体間のギャップを効果的に埋め、連続的かつ高密度な特徴空間を促進する。 大域多様体の複雑さのため、それを直接モデル化するのは困難である。 そこで本研究では,グローバルおよびサブマニフォールド特有の特徴を動的に取り入れることを提案する。 具体的には,グローバルおよびサブマニフォールド駆動型アーキテクチャを設計し,サブドメイン変動への動的適応を可能にする。 この動的メカニズムにより、共有機能とドメイン固有の機能の両方をキャプチャするネットワークの容量が向上し、再構築性能が向上する。 提案手法の有効性を,異なる世代パラダイムで検証するために,公開データセットの大規模な実験を行った。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Disentangled Fine-Grained Prototype Learning for Incomplete Image-Tabular Classification [28.25868366778138]
  DFPLは、きめ細かいプロトタイプ学習のための新しいフレームワークである。 SSPMはコンパクトで多種多様な共有およびモダリティ特異的なプロトタイプを抽出する。 PFAモジュールは、プロトタイプレベルの分散マッチングとプロトタイプからクラスへのセマンティックアライメントを共同で実施する。
  論文  参考訳（メタデータ） (2026-06-03T21:24:05Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Heterogeneous Model Alignment in Digital Twin [0.0]
  モデル駆動DTにおける主要な課題は、抽象層にまたがる異種モデルを整列させることである。 静的マッピングと手動の更新に依存する既存のメソッドは、しばしば柔軟性がなく、エラーを起こし、データの整合性を損なうリスクがある。 多層型モデル駆動型DTのための異種モデルアライメント手法を提案する。
  論文  参考訳（メタデータ） (2025-12-17T10:36:55Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• 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)
• DPGIIL: Dirichlet Process-Deep Generative Model-Integrated Incremental Learning for Clustering in Transmissibility-based Online Structural Anomaly Detection [0.34376560669160394]
  本研究では、ディリクレプロセスディープ生成モデル統合インクリメンタルラーニング(DPGIIL)と呼ばれる新しいクラスタリングフレームワークを提案する。 オンライン構造異常検出では、DPGIILは入力データを新しいクラスタに動的に割り当てることで異常を検出するだけでなく、異なるクラスタを使って異なる構造状態を示すことができる。
  論文  参考訳（メタデータ） (2024-12-06T05:18:58Z)
• HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization [69.33162366130887]
  ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。 モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。 このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-01-18T04:23:21Z)
• Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
  画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。 本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。 本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:05:36Z)

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。