論文の概要: Few-Shot Distribution-Aligned Flow Matching for Data Synthesis in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.02868v1
• Date: Fri, 03 Apr 2026 08:35:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.402516
• Title: Few-Shot Distribution-Aligned Flow Matching for Data Synthesis in Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションにおけるデータ合成のためのFew-Shot Distribution-Aligned Flow Matching
• Authors: Jie Yang, Ziqi Ye, Aihua Ke, Jian Luo, Bo Cai, Xiaosong Wang,
• Abstract要約: 本稿では,フローマッチングモデルであるAlignFlowを提案する。 実験では,mDiceで3.5-4.0%,mIoUで3.5-5.6%,さまざまなデータセットやシナリオで3.5-4.0%の性能向上を実現した。
• 参考スコア（独自算出の注目度）: 7.127259067323343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data heterogeneity hinders clinical deployment of medical image analysis models, and generative data augmentation helps mitigate this issue. However, recent diffusion-based methods that synthesize image-mask pairs often ignore distribution shifts between generated and real images across scenarios, and such mismatches can markedly degrade downstream performance. To address this issue, we propose AlignFlow, a flow matching model that aligns with the target reference image distribution via differentiable reward fine-tuning, and remains effective even when only a small number of reference images are provided. Specifically, we divide the training of the flow matching model into two stages: in the first stage, the model fits the training data to generate plausible images; Then, we introduce a distribution alignment mechanism and employ differentiable reward to steer the generated images toward the distribution of the given samples from the target domain. In addition, to enhance the diversity of generated masks, we also design a flow matching based mask generation to complement the diversity in regions of interest. Extensive experiments demonstrate the effectiveness of our approach, i.e., performance improvement by 3.5-4.0% in mDice and 3.5-5.6% in mIoU across a variety of datasets and scenarios.
• Abstract（参考訳）: データの不均一性は、医療画像解析モデルの臨床的展開を妨げる。 しかし, 画像マスクペアを合成する拡散法では, シナリオ間で生成した画像と実画像の分布シフトを無視することが多く, このようなミスマッチは下流のパフォーマンスを著しく低下させる可能性がある。 この問題に対処するために,可変報酬微調整による目標参照画像分布に整合するフローマッチングモデルであるAlignFlowを提案する。 具体的には、フローマッチングモデルのトレーニングを2段階に分け、第1段階では、トレーニングデータに適合して可塑性画像を生成する。 また、生成マスクの多様性を高めるため、関心領域の多様性を補完するフローマッチングベースのマスク生成を設計する。 大規模な実験は、我々のアプローチの有効性、すなわちmDiceで3.5-4.0%、mIoUで3.5-5.6%の性能改善を様々なデータセットやシナリオで示している。

関連論文リスト

• LatentFM: A Latent Flow Matching Approach for Generative Medical Image Segmentation [0.0]
  医用画像セグメンテーションのためのフローベースモデルであるLatentFMを提案する。 複数の潜在表現をサンプリングすることにより,多様なセグメンテーション出力を合成する。 提案手法は,潜在空間において高い効率を保ちながら,より優れたセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2025-12-04T14:06:08Z)
• LEAF: Latent Diffusion with Efficient Encoder Distillation for Aligned Features in Medical Image Segmentation [2.529281336118734]
  本稿では,潜伏拡散モデルに基づく医療画像分割モデルLEAFを提案する。 微調整の過程では,元のノイズ予測パターンをセグメントマップの直接予測に置き換える。 また, コンボリューション層の隠れ状態と, 変圧器を用いた視覚エンコーダの特徴とを一致させるために, 特徴蒸留法を用いる。
  論文  参考訳（メタデータ） (2025-07-24T09:08:04Z)
• Dataset Augmentation by Mixing Visual Concepts [3.5420134832331334]
  本稿では,事前学習した拡散モデルの微調整によるデータセット拡張手法を提案する。 我々は、拡散モデルに実際の画像と新しいテキスト埋め込みを条件付けすることで適応する。 提案手法は,ベンチマーク分類タスクにおける最先端の強化手法より優れている。
  論文  参考訳（メタデータ） (2024-12-19T19:42:22Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Conditional Distribution Modelling for Few-Shot Image Synthesis with Diffusion Models [29.821909424996015]
  少ないショット画像合成は、いくつかの例画像のみを使用して、斬新なカテゴリの多彩で現実的な画像を生成する。 本研究では,ディフュージョンモデルを利用した条件分布モデル (CDM) を提案する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:28Z)
• Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
  実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。 拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。 本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:47:21Z)
• Real-World Image Variation by Aligning Diffusion Inversion Chain [53.772004619296794]
  生成した画像と実世界の画像の間にはドメインギャップがあり、これは実世界の画像の高品質なバリエーションを生成する上での課題である。 実世界画像のアライメントによる変化(RIVAL)と呼ばれる新しい推論パイプラインを提案する。 我々のパイプラインは、画像生成プロセスとソース画像の反転チェーンを整列させることにより、画像の変動の生成品質を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T04:09:47Z)
• SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
  SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。 SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。 第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
  論文  参考訳（メタデータ） (2022-11-22T18:00:03Z)

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。