論文の概要: Particle Diffusion Matching: Random Walk Correspondence Search for the Alignment of Standard and Ultra-Widefield Fundus Images
- arxiv url: http://arxiv.org/abs/2604.10085v1
- Date: Sat, 11 Apr 2026 08:09:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.832334
- Title: Particle Diffusion Matching: Random Walk Correspondence Search for the Alignment of Standard and Ultra-Widefield Fundus Images
- Title（参考訳）: 粒子拡散マッチング:標準および超広視野画像のアライメントのためのランダムウォーク対応探索
- Authors: Kanggeon Lee, Soochahn Lee, Kyoung Mu Lee,
- Abstract要約: 標準ファンドス画像(SFI)とウルトラウェードフィールドファンドス画像(UWFI)のためのロバストアライメント手法を提案する。
本手法は粒子拡散マッチング (Particle Diffusion Matching, PDM) と呼ばれ, 拡散モデルにより誘導される反復ランダムウォーク対応探索 (RWCS) を通してアライメントを行う。
PDMは複数の網膜画像アライメントベンチマークで最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 47.944896477309555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a robust alignment technique for Standard Fundus Images (SFIs) and Ultra-Widefield Fundus Images (UWFIs), which are challenging to align due to differences in scale, appearance, and the scarcity of distinctive features. Our method, termed Particle Diffusion Matching (PDM), performs alignment through an iterative Random Walk Correspondence Search (RWCS) guided by a diffusion model. At each iteration, the model estimates displacement vectors for particle points by considering local appearance, the structural distribution of particles, and an estimated global transformation, enabling progressive refinement of correspondences even under difficult conditions. PDM achieves state-of-the-art performance across multiple retinal image alignment benchmarks, showing substantial improvement on a primary dataset of SFI-UWFI pairs and demonstrating its effectiveness in real-world clinical scenarios. By providing accurate and scalable correspondence estimation, PDM overcomes the limitations of existing methods and facilitates the integration of complementary retinal image modalities. This diffusion-guided search strategy offers a new direction for improving downstream supervised learning, disease diagnosis, and multi-modal image analysis in ophthalmology.
- Abstract（参考訳）: 本稿では,SFI(Standard Fundus Images)とUWFI(Ultra-Widefield Fundus Images)のためのロバストアライメント手法を提案する。
本手法は粒子拡散マッチング (Particle Diffusion Matching, PDM) と呼ばれ, 拡散モデルにより誘導される反復ランダムウォーク対応探索 (RWCS) を通してアライメントを行う。
各イテレーションにおいて、モデルは、局所的な外観、粒子の構造分布、および推定された大域的変換を考慮し、粒子点の変位ベクトルを推定し、困難な条件下での対応の漸進的洗練を可能にする。
PDMは、複数の網膜画像アライメントベンチマークで最先端のパフォーマンスを実現し、SFI-UWFIペアの一次データセットを大幅に改善し、実際の臨床シナリオにおけるその効果を示す。
正確でスケーラブルな対応推定を提供することにより、PDMは既存の手法の限界を克服し、補完的な網膜画像モダリティの統合を容易にする。
この拡散誘導探索戦略は、眼科における下流教師あり学習、疾患診断、マルチモーダル画像解析を改善するための新しい方向を提供する。
関連論文リスト
- Active Diffusion Matching: Score-based Iterative Alignment of Cross-Modal Retinal Images [43.88837473377858]
本研究は,SFI(Standard Fundus Images)とUWFI(Ultra-Widefield Fundus Images)の連携の課題に対処することを目的とする。
現在、このタスクには特別な方法はなく、既存の画像アライメント技術には精度が欠けている。
クロスモーダルアライメント法であるActive Diffusion Matching (ADM)を提案する。
論文 参考訳（メタデータ） (2026-04-11T08:06:28Z) - Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。
In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。
IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
論文 参考訳（メタデータ） (2026-03-11T06:14:11Z) - MedDIFT: Multi-Scale Diffusion-Based Correspondence in 3D Medical Imaging [6.520674045578402]
本稿では,Voxelディスクリプタとして事前訓練された潜伏医療拡散モデルのマルチスケール特徴を利用する,トレーニングフリーな3D対応フレームワークであるMedDIFTを提案する。
公開されている肺CTデータセットでは、MedDIFTは最先端のUniGradICONモデルに匹敵する対応精度を達成している。
論文 参考訳（メタデータ） (2025-12-05T09:53:07Z) - A Hierarchical Variational Graph Fused Lasso for Recovering Relative Rates in Spatial Compositional Data [0.9332987715848716]
本研究では,空間信号パターンの自然な間隔を利用して,画像全体にわたる各分子の相対率を復元するスケーラブルなベイズフレームワークを開発した。
本手法は,従来の図形ラッソの重み付き変奏法と,新しい階層的変奏法を併用することに依存する。
実際のIMSデータから,本手法は既知組織の真の解剖学的構造を回復し,アーティファクトを除去し,標準解析手法で欠落した活性領域を検出する。
論文 参考訳（メタデータ） (2025-09-25T00:19:45Z) - UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。
UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。
総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-07-24T12:33:10Z) - 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) - Forgery-aware Adaptive Transformer for Generalizable Synthetic Image
Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。
本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。
提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文 参考訳（メタデータ） (2023-12-27T17:36:32Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - Unsupervised Medical Image Translation with Adversarial Diffusion Models [0.2770822269241974]
ソース・トゥ・ターゲット・モダリティ変換による画像の欠落の計算は、医用画像プロトコルの多様性を向上させることができる。
本稿では, 医用画像翻訳の性能向上のための逆拡散モデルであるSynDiffを提案する。
論文 参考訳（メタデータ） (2022-07-17T15:53:24Z)
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。