論文の概要: Deterministic Mode Proposals: An Efficient Alternative to Generative Sampling for Ambiguous Segmentation
- arxiv url: http://arxiv.org/abs/2603.20191v1
- Date: Fri, 20 Mar 2026 17:59:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.287048
- Title: Deterministic Mode Proposals: An Efficient Alternative to Generative Sampling for Ambiguous Segmentation
- Title（参考訳）: 決定論的モードの提案:曖昧なセグメンテーションのための生成サンプリングの効率的な代替手段
- Abstract要約: 本稿では,1つのフォワードパスで提案マスクの固定サイズの集合を効率よく生成する決定論的フレームワークを提案する。
提案手法は,既存の生成モデルよりも高信頼度を達成しつつ,推論時間を著しく短縮する。
我々のモデルは結果の完全な分布を知らずにトレーニングでき、実際のデータセットに適用可能であることを実証する。
- 参考スコア（独自算出の注目度）: 3.5493798890908113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many segmentation tasks, such as medical image segmentation or future state prediction, are inherently ambiguous, meaning that multiple predictions are equally correct. Current methods typically rely on generative models to capture this uncertainty. However, identifying the underlying modes of the distribution with these methods is computationally expensive, requiring large numbers of samples and post-hoc clustering. In this paper, we shift the focus from stochastic sampling to the direct generation of likely outcomes. We introduce mode proposal models, a deterministic framework that efficiently produces a fixed-size set of proposal masks in a single forward pass. To handle superfluous proposals, we adapt a confidence mechanism, traditionally used in object detection, to the high-dimensional space of segmentation masks. Our approach significantly reduces inference time while achieving higher ground-truth coverage than existing generative models. Furthermore, we demonstrate that our model can be trained without knowing the full distribution of outcomes, making it applicable to real-world datasets. Finally, we show that by decomposing the velocity field of a pre-trained flow model, we can efficiently estimate prior mode probabilities for our proposals.
- Abstract（参考訳）: 医療画像のセグメンテーションや将来の状態予測のような多くのセグメンテーションタスクは本質的に曖昧であり、複数の予測が等しく正しいことを意味する。
現在の手法は、この不確実性を捉えるために生成モデルに依存するのが一般的である。
しかし、これらの方法で分布の基本的なモードを特定するのは計算コストがかかり、大量のサンプルとポストホッククラスタリングが必要となる。
本稿では,確率的サンプリングから潜在的結果の直接生成へと焦点を移す。
本稿では,1つのフォワードパスで提案マスクの固定サイズの集合を効率よく生成する決定論的フレームワークであるモード提案モデルを紹介する。
過剰な提案に対処するため,従来オブジェクト検出に用いられてきた信頼メカニズムを,分割マスクの高次元空間に適用する。
提案手法は,既存の生成モデルよりも高信頼度を達成しつつ,推論時間を著しく短縮する。
さらに、我々のモデルは結果の完全な分布を知らずにトレーニングでき、実際のデータセットに適用できることを示す。
最後に,事前学習した流れモデルの速度場を分解することにより,提案手法の事前モード確率を効率的に推定できることを示す。
関連論文リスト
- TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。
拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。
推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
論文 参考訳（メタデータ） (2026-05-25T08:03:31Z) - Enhanced Multi-model Online Conformal Prediction [25.495949162960624]
コンフォーマル予測(Conformal prediction)は、未確認データの予測セットを構成する不確実性定量化のためのフレームワークである。
これらの予測セットの効率は、そのサイズによって測定され、基礎となる学習モデルの選択に依存する。
この研究は、計算複雑性を低減し、予測効率を向上させる、新しいマルチモデルオンライン共形予測アルゴリズムを開発する。
論文 参考訳（メタデータ） (2026-01-04T23:44:43Z) - Aleatoric Uncertainty Medical Image Segmentation Estimation via Flow Matching [0.157286095422595]
医用画像のセグメンテーションにおけるアレタリック不確かさの定量化は、専門家のアノテータが観察する自然変動の反映であるため重要である。
提案手法は, 正確な密度を学習するシミュレーション不要なフローベース生成モデルである条件付きフローマッチングを利用する。
論文 参考訳（メタデータ） (2025-07-30T06:45:32Z) - Accelerated Diffusion Models via Speculative Sampling [89.43940130493233]
投機的サンプリングは、大規模言語モデルにおける推論を加速する一般的な手法である。
我々は投機的サンプリングを拡散モデルに拡張し、連続したベクトル値のマルコフ連鎖を介してサンプルを生成する。
本稿では,ドラフトモデルをトレーニングする必要のない,シンプルで効果的なアプローチを含む,さまざまなドラフト戦略を提案する。
論文 参考訳（メタデータ） (2025-01-09T16:50:16Z) - DistPred: A Distribution-Free Probabilistic Inference Method for Regression and Forecasting [14.390842560217743]
本稿では、回帰予測タスクのためのDistPredという新しい手法を提案する。
予測分布と対象分布の差分を測定するための適切なスコアリングルールを、微分可能な離散形式に変換する。
これにより、モデルは単一のフォワードパスで多数のサンプルをサンプリングし、応答変数の潜在的分布を推定することができる。
論文 参考訳（メタデータ） (2024-06-17T10:33:00Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - MaskDiff: Modeling Mask Distribution with Diffusion Probabilistic Model
for Few-Shot Instance Segmentation [31.648523213206595]
少数ショットのインスタンスセグメンテーションは、数ショットの学習パラダイムをインスタンスセグメンテーションタスクに拡張する。
従来のアプローチでは、ポイント推定と呼ばれるプロトタイプ学習を通じてその課題に対処しようと試みてきた。
本稿では,二項マスクの条件分布をモデル化したMaskDiffという新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-09T08:24:02Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳（メタデータ） (2021-10-20T12:25:22Z) - Attentional Prototype Inference for Few-Shot Segmentation [128.45753577331422]
数発のセグメンテーションのための確率的潜在変数フレームワークである注意型プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は4つのベンチマークで広範な実験を行い、提案手法は最先端のプロトタイプベースの手法よりも、少なくとも競争力があり、しばしば優れた性能が得られる。
論文 参考訳（メタデータ） (2021-05-14T06:58:44Z)
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。