論文の概要: SAGE-GAN: Towards Realistic and Robust Segmentation of Spatially Ordered Nanoparticles via Attention-Guided GANs

• arxiv url: http://arxiv.org/abs/2604.03637v1
• Date: Sat, 04 Apr 2026 08:27:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.6898
• Title: SAGE-GAN: Towards Realistic and Robust Segmentation of Spatially Ordered Nanoparticles via Attention-Guided GANs
• Title（参考訳）: SAGE-GAN:Attention-Guided GANによる空間秩序ナノ粒子の現実的・ロバストなセグメンテーションを目指して
• Authors: Anindya Pal, Varun Ajith, Saumik Bhattacharya, Sayantari Ghosh,
• Abstract要約: 実画像のデータセットからナノ粒子の重要な特徴を抽出するシステムを開発した。 Attention U-Netは、CycleGAN(CycleGAN)フレームワークに組み込まれている。 サイクル整合性は、合成画像と接地トラスマスクの直接的な対応を強制し、現実的な特徴を確実にする。
• 参考スコア（独自算出の注目度）: 2.659901499016883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise analysis of nanoparticles for characterization in electron microscopy images is essential for advancing nanomaterial development. Yet it remains challenging due to the time-consuming nature of manual methods and the shortcomings of traditional automated segmentation techniques, especially when dealing with complex shapes and imaging artifacts. While conventional methods yield promising results, they depend on a large volume of labeled training data, which is both difficult to acquire and highly time-consuming to generate. In order to overcome these challenges, we have developed a two-step solution: Firstly, our system learns to segment the key features of nanoparticles from a dataset of real images using a self-attention driven U-Net architecture that focuses on important physical and morphological details while ignoring background features and noise. Secondly, this trained Attention U-Net is embedded in a cycle-consistent generative adversarial network (CycleGAN) framework, inspired by the cGAN-Seg model introduced by Abzargar et al. This integration allows for the creation of highly realistic synthetic electron microscopy image-mask pairs that naturally reflect the structural patterns learned by the Attention U-Net. Consequently, the model can accurately detect features in a diverse array of real-world nanoparticle images and autonomously augment the training dataset without requiring human input. Cycle consistency enforces a direct correspondence between synthetic images and ground-truth masks, ensuring realistic features, which is crucial for accurate segmentation training.
• Abstract（参考訳）: 電子顕微鏡像のキャラクタリゼーションのためのナノ粒子の精密解析は, ナノマテリアルの発展に不可欠である。 しかし、手動の手法の時間がかかり、特に複雑な形状や画像のアーティファクトを扱う場合、従来の自動セグメンテーション技術の欠点により、依然として困難である。 従来の方法では有望な結果が得られるが、大量のラベル付きトレーニングデータに依存しており、取得が難しく、生成に時間を要する。 まず、私たちのシステムは、背景の特徴やノイズを無視しながら、重要な物理的および形態的詳細に焦点を当てた自己注意駆動型U-Netアーキテクチャを用いて、実際の画像のデータセットからナノ粒子の重要な特徴をセグメント化することを学びました。 第2に、このトレーニングされた注意U-Netは、Abzargarらによって導入されたcGAN-Segモデルにインスパイアされた、サイクル一貫性のある生成逆ネットワーク(CycleGAN)フレームワークに組み込まれている。 これにより、モデルは、さまざまな現実世界のナノ粒子画像の特徴を正確に検出し、人間の入力を必要とせずに、トレーニングデータセットを自律的に増強することができる。 サイクル整合性は、合成画像と接地トラスマスクの直接的な対応を強制し、正確なセグメンテーション訓練に欠かせない現実的な特徴を確実にする。

関連論文リスト

• Quantification and Classification of Carbon Nanotubes in Electron Micrographs using Vision Foundation Models [1.8969168959157112]
  本研究は、電子顕微鏡画像におけるCNTの定量化と分類を自動化するために、視覚基盤モデルを活用した統一的なフレームワークを提案する。 本稿では,最小限のユーザ入力を用いて,粒子をほぼ完全精度で分割するSegment Anything Model(SAM)上に構築した対話的定量化ツールを提案する。 第二に,これらのセグメンテーションマスクを用いて空間的にDINOv2視覚変換器を拘束し,背景雑音を抑えながら粒子領域からのみ特徴を抽出する新しい分類パイプラインを提案する。 1,800 TEM画像のデータセットに基づいて評価され、このアーキテクチャは4つの異なるCNT形態の区別において95.5%の精度を達成する。
  論文  参考訳（メタデータ） (2026-01-10T20:22:58Z)
• EchoGen: Generating Visual Echoes in Any Scene via Feed-Forward Subject-Driven Auto-Regressive Model [56.53617289548353]
  EchoGenは、主観駆動生成機能を備えたVisual Auto-Regressive(VAR)モデルを強化する先駆的なフレームワークである。 対象の抽象的アイデンティティを抽出するためにセマンティックエンコーダを用いており、このエンコーダは分離されたクロスアテンションを通して注入され、全体の構成を導出する。 私たちの知る限りでは、EchoGenはVARモデル上に構築された最初のフィードフォワードの主観駆動フレームワークです。
  論文  参考訳（メタデータ） (2025-09-30T11:45:48Z)
• Zero-shot Shape Classification of Nanoparticles in SEM Images using Vision Foundation Models [0.9466841964978984]
  形状分類のための従来のディープラーニング手法は、広範囲なラベル付きデータセットと計算的な訓練を必要とする。 本研究では,2つの視覚基盤モデルを利用したゼロショット分類パイプラインを提案する。 我々は3つの形態学的に多様なナノ粒子データセットにまたがる高精度な形状分類を実現する。
  論文  参考訳（メタデータ） (2025-08-05T09:03:56Z)
• F-ANcGAN: An Attention-Enhanced Cycle Consistent Generative Adversarial Architecture for Synthetic Image Generation of Nanoparticles [3.124884279860061]
  F-ANcGANは,限られたデータサンプルを用いて学習可能な,注目度の高いサイクル一貫した生成対向系である。 本モデルでは,構造的関係を捉えるために,自己アテンションを備えたスタイルU-NetジェネレータとU-Netセグメンテーションネットワークを用いる。
  論文  参考訳（メタデータ） (2025-05-23T17:02:22Z)
• Enhancing Rock Image Segmentation in Digital Rock Physics: A Fusion of Generative AI and State-of-the-Art Neural Networks [5.089732183029123]
  デジタル・ロック物理学において、CTとSEMスキャンから微細構造を分析することは、ポーシティーや細孔接続性などの特性を推定するために重要である。 しきい値やCNNのような従来のセグメンテーション手法は、しばしば岩の微細構造を正確に詳細に記述するに足りず、ノイズを生じやすい。 U-Netはセグメンテーションの精度を改善したが、複雑な細孔形状のため、多くの専門家による注釈付きサンプルを必要とした。 我々の研究は、これらの制限を克服するために、高度な生成AIモデルである拡散モデルを用いていた。 TransU-Netは、デジタルロック物理学の新しい標準を設定し、将来の地球科学と工学のブレークスルーの道を開く。
  論文  参考訳（メタデータ） (2023-11-10T14:24:50Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• MOGAN: Morphologic-structure-aware Generative Learning from a Single Image [59.59698650663925]
  近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。 多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。 合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
  論文  参考訳（メタデータ） (2021-03-04T12:45:23Z)
• Improving the Segmentation of Scanning Probe Microscope Images using Convolutional Neural Networks [0.9236074230806579]
  有機溶媒からの沈着によりシリコン表面に生成した金ナノ粒子の2次元集合体像の分画プロトコルを開発した。 溶媒の蒸発は粒子の極端に平衡な自己組織化を駆動し、様々なナノパターンや微細構造パターンを生み出す。 U-Net畳み込みニューラルネットワークを用いたセグメンテーション戦略が従来の自動アプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-27T20:49:59Z)

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。