論文の概要: Rare-Aware Autoencoding: Reconstructing Spatially Imbalanced Data

• arxiv url: http://arxiv.org/abs/2604.02031v1
• Date: Thu, 02 Apr 2026 13:38:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.820248
• Title: Rare-Aware Autoencoding: Reconstructing Spatially Imbalanced Data
• Title（参考訳）: 希少な認識自動符号化:空間的不均衡なデータを再構成する
• Authors: Alejandro Castañeda Garcia, Jan van Gemert, Daan Brinks, Nergis Tömen,
• Abstract要約: オートエンコーダは、空間的に一様でない画像内容のサンプリングによって挑戦できる。 実際には、オートエンコーダは支配的なパターンに偏り、細かな細部が失われる。 空間的不均衡を2つの相補的成分: (i) 統計的に珍しい空間的位置の重み付けを行う自己エントロピーに基づく損失によって解決する。
• 参考スコア（独自算出の注目度）: 49.13338489780734
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autoencoders can be challenged by spatially non-uniform sampling of image content. This is common in medical imaging, biology, and physics, where informative patterns occur rarely at specific image coordinates, as background dominates these locations in most samples, biasing reconstructions toward the majority appearance. In practice, autoencoders are biased toward dominant patterns resulting in the loss of fine-grained detail and causing blurred reconstructions for rare spatial inputs especially under spatial data imbalance. We address spatial imbalance by two complementary components: (i) self-entropy-based loss that upweights statistically uncommon spatial locations and (ii) Sample Propagation, a replay mechanism that selectively re-exposes the model to hard to reconstruct samples across batches during training. We benchmark existing data balancing strategies, originally developed for supervised classification, in the unsupervised reconstruction setting. Drawing on the limitations of these approaches, our method specifically targets spatial imbalance by encouraging models to focus on statistically rare locations, improving reconstruction consistency compared to existing baselines. We validate in a simulated dataset with controlled spatial imbalance conditions, and in three, uncontrolled, diverse real-world datasets spanning physical, biological, and astronomical domains. Our approach outperforms baselines on various reconstruction metrics, particularly under spatial imbalance distributions. These results highlight the importance of data representation in a batch and emphasize rare samples in unsupervised image reconstruction. We will make all code and related data available.
• Abstract（参考訳）: オートエンコーダは、空間的に一様でない画像内容のサンプリングによって挑戦できる。 これは医学画像、生物学、物理学において一般的であり、背景がほとんどのサンプルにおいてこれらの位置を支配しているため、特定の画像座標において情報的パターンはめったに発生しない。 実際には、オートエンコーダは支配的なパターンに偏りがあり、細かな細部が失われ、特に空間データの不均衡の下では、稀な空間入力に対するぼやけた再構成が生じる。 2つの相補成分による空間的不均衡に対処する。 一 統計的に稀な空間的位置と重み付けを行う自己エントロピーに基づく損失 (ii)サンプルプロパゲーション(Sample Propagation)は、トレーニング中にバッチ間でサンプルを再構成し難くするためにモデルを選択的に再発行する再生メカニズムである。 我々は、教師なし再構成設定において、教師なし分類のために開発された既存のデータバランス戦略をベンチマークする。 提案手法は,これらの手法の限界に基づき,統計的に稀な位置に集中するようモデルに奨励し,既存のベースラインと比較して再構成の整合性を向上させることにより,空間的不均衡を特に狙う。 空間的不均衡を制御したシミュレーションデータセットと、物理的、生物学的、天文学的な領域にまたがる3つの、制御されていない多様な実世界のデータセットで検証する。 提案手法は, 空間的不均衡分布において, 各種再建指標のベースラインよりも優れる。 これらの結果は、バッチにおけるデータ表現の重要性を強調し、教師なし画像再構成における稀なサンプルを強調する。 すべてのコードと関連するデータを利用可能にします。

関連論文リスト

• More Data or Better Algorithms: Latent Diffusion Augmentation for Deep Imbalanced Regression [0.0]
  多くの実世界の回帰タスクでは、データ分布は著しく歪められ、モデルは大多数のサンプルから主に学習される。 このフレームワークは、優先度ベース生成を用いた条件拡散モデルを用いて、遅延表現空間における高品質な特徴を合成する。 3つのDIRベンチマークの実験は、全体の精度を維持しながら少数地域の大幅な改善を示している。
  論文  参考訳（メタデータ） (2025-09-27T10:44:28Z)
• Error Distribution Smoothing:Advancing Low-Dimensional Imbalanced Regression [2.435853975142516]
  実世界の回帰タスクでは、データセットは頻繁に不均衡な分布を示し、その特徴は、高複雑さ領域におけるデータの不足と低複雑さ領域における量の不足である。 データ密度のみに焦点をあてる従来の定義を超えて、問題の複雑さとデータポイントの密度の両方を考慮に入れた「不均衡回帰」という新しい概念を導入する。 本研究では,不均衡な回帰に対処するための解として誤り分布平滑化(EDS)を提案し,バランスと代表性を保ちながら,データセットから代表サブセットを効果的に選択し冗長性を低減する。
  論文  参考訳（メタデータ） (2025-02-04T12:40:07Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment [130.84010267004803]
  限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。 実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。 本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
  論文  参考訳（メタデータ） (2022-03-06T14:26:25Z)
• Smoothing the Generative Latent Space with Mixup-based Distance Learning [32.838539968751924]
  我々は、我々の関心の大規模なデータセットも、転送可能なソースデータセットも利用できない状況を考える。 本稿では,ジェネレータとディスクリミネータの両方の特徴空間における遅延混合に基づく距離正規化を提案する。
  論文  参考訳（メタデータ） (2021-11-23T06:39:50Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Towards Domain Invariant Single Image Dehazing [34.075765763305235]
  画像中のヘイズの存在は、正確な環境情報を必要とするアプリケーションでは望ましくない基礎となる情報を隠蔽する。 本稿では,エンコーダ・デコーダを用いたネットワークアーキテクチャを用いてデヘイジングを行う。
  論文  参考訳（メタデータ） (2021-01-09T14:14:41Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-01T19:24:27Z)

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。