論文の概要: MorphoFlow: Sparse-Supervised Generative Shape Modeling with Adaptive Latent Relevance

• arxiv url: http://arxiv.org/abs/2604.11636v1
• Date: Mon, 13 Apr 2026 15:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.65908
• Title: MorphoFlow: Sparse-Supervised Generative Shape Modeling with Adaptive Latent Relevance
• Title（参考訳）: MorphoFlow: 適応的遅延関係を考慮したスパーススーパービジョン生成形状モデリング
• Authors: Mokshagna Sai Teja Karanam, Tushar Kataria, Shireen Elhabian,
• Abstract要約: スパース制御型生成形状モデリングフレームワークであるMorphoFlowを紹介する。 スパースサーフェスアノテーションから直接コンパクトな確率的形状表現を学習する。 潜在解剖学的変動の分布を捉え、伸縮性、可能性に基づく形状の生成モデルを提供する。
• 参考スコア（独自算出の注目度）: 2.4706168648784486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Statistical shape modeling (SSM) is central to population level analysis of anatomical variability, yet most existing approaches rely on densely annotated segmentations and fixed latent representations. These requirements limit scalability and reduce flexibility when modeling complex anatomical variation. We introduce MorphoFlow, a sparse supervised generative shape modeling framework that learns compact probabilistic shape representations directly from sparse surface annotations. MorphoFlow integrates neural implicit shape representations with an autodecoder formulation and autoregressive normalizing flows to learn an expressive probabilistic density over the latent shape space. The neural implicit representation enables resolution-agnostic modeling of 3D anatomy, while the autodecoder formulation supports direct optimization of per-instance latent codes under sparse supervision. The autoregressive flow captures the distribution of latent anatomical variability providing a tractable, likelihood-based generative model of shapes. To promote compact and structured latent representations, we incorporate adaptive latent relevance weighting through sparsity-inducing priors, enabling the model to regulate the contribution of individual latent dimensions according to their relevance to the underlying anatomical variation while preserving generative expressivity. The resulting latent space supports uncertainty quantification and anatomically plausible shape synthesis without manual latent dimensionality tuning. Evaluation on publicly available lumbar vertebrae and femur datasets demonstrates accurate high-resolution reconstruction from sparse inputs and recovery of structured modes of anatomical variation consistent with population level trends.
• Abstract（参考訳）: 統計的形状モデリング (SSM) は解剖学的変動の個体群レベル解析の中心であるが、既存のほとんどのアプローチは密接な注釈付きセグメンテーションと固定された潜伏表現に依存している。 これらの要件は、複雑な解剖学的変動をモデル化する際のスケーラビリティと柔軟性を制限します。 スパースサーフェスアノテーションから直接コンパクトな確率的形状表現を学習するスパース制御型生成形状モデリングフレームワークであるMorphoFlowを紹介する。 MorphoFlowは、ニューラル暗黙の形状表現とオートデコーダの定式化と自己回帰正規化フローを統合して、潜在形状空間上の表現的確率密度を学習する。 神経暗黙表現は3次元解剖の分解能非依存なモデリングを可能にし、オートデコーダの定式化はスパース監督下でのインスタンスごとの潜伏符号の直接最適化をサポートする。 自己回帰フローは、伸縮性、可能性に基づく形状の生成モデルを提供する潜在解剖学的変動の分布をキャプチャする。 コンパクトで構造化された潜伏表現を促進するため, 縮退前処理による適応潜伏関係重み付けを導入し, 生成的表現性を維持しつつ, 基礎となる解剖学的変動に対する個々の潜伏次元の寄与を制御できるようにした。 結果として生じる潜伏空間は、手動の潜伏次元チューニングなしで不確実な定量化と解剖学的に妥当な形状合成をサポートする。 公的に利用可能な腰椎椎骨と大腿骨のデータセットの評価は、スパース入力からの正確な高精度な再構築と、集団レベルの傾向と整合した解剖学的変化の構造的モードの回復を示す。

関連論文リスト

• High-Fidelity Medical Shape Generation via Skeletal Latent Diffusion [10.218375997417917]
  本稿では,高忠実度医療形状生成のための骨格潜伏拡散フレームワークを提案する。 新しい形状は潜在空間拡散モデルによって生成され、次にニューラル暗黙的復号とメッシュ抽出が続く。 MedSDFと船体データセットの実験により,提案手法がより優れた再構成と生成品質を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-08T07:18:27Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Deformable registration and generative modelling of aortic anatomies by auto-decoders and neural ODEs [4.299467172990462]
  本研究は, 形状登録のための深層学習モデルであるAD-SVFDを導入する。 AD-SVFDの特徴的な特徴はオートデコーダ構造であり、形状コホートをまたいだ一般化を可能にし、効率的な重量共有を好んでいる。 新しい解剖学は、潜在空間から適切にサンプリングし、対応する逆変換を基準幾何学に適用することで合成することができる。
  論文  参考訳（メタデータ） (2025-06-01T10:30:58Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
  我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。 Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
  論文  参考訳（メタデータ） (2023-05-13T00:03:59Z)

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。