論文の概要: INST-Align: Implicit Neural Alignment for Spatial Transcriptomics via Canonical Expression Fields

• arxiv url: http://arxiv.org/abs/2604.12084v1
• Date: Mon, 13 Apr 2026 21:44:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.133285
• Title: INST-Align: Implicit Neural Alignment for Spatial Transcriptomics via Canonical Expression Fields
• Title（参考訳）: INST-Align: Canonical Expression Fields を用いた空間トランスクリプトークスのための暗黙的ニューラルアライメント
• Authors: Bonian Han, Cong Qi, Przemyslaw Musialski, Zhi Wei,
• Abstract要約: INST-Alignは、座標ベースの変形ネットワークと共有カノニカル表現場を結合する。 最先端の平均OT精度(0.702)、NN精度(0.719)、チャンファー距離(94.9%)を実現している。 また、生物学的に意味のある空間埋め込みとコヒーレントな3D組織再構築をもたらす。
• 参考スコア（独自算出の注目度）: 1.0487944945684993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial transcriptomics (ST) measures mRNA expression while preserving spatial organization, but multi-slice analysis faces two coupled difficulties: large non-rigid deformations across slices and inter-slice batch effects when alignment and integration are treated independently. We present INST-Align, an unsupervised pairwise framework that couples a coordinate-based deformation network with a shared Canonical Expression Field, an implicit neural representation mapping spatial coordinates to expression embeddings, for joint alignment and reconstruction. A two-phase training strategy first establishes a stable canonical embedding space and then jointly optimizes deformation and spatial-feature matching, enabling mutually constrained alignment and representation learning. Cross-slice parameter sharing of the canonical field regularizes ambiguous correspondences and absorbs batch variation. Across nine datasets, INST-Align achieves state-of-the-art mean OT Accuracy (0.702), NN Accuracy (0.719), and Chamfer distance, with Chamfer reductions of up to 94.9\% on large-deformation sections relative to the strongest baseline. The framework also yields biologically meaningful spatial embeddings and coherent 3D tissue reconstruction. The code will be released after review phase.
• Abstract（参考訳）: 空間転写学(ST)は、空間的組織を保存しながらmRNAの発現を測定するが、マルチスライス解析は、スライス全体にわたる大きな非剛性変形と、アライメントと統合が独立に扱われる際のスライス間バッチ効果の2つの複合的な困難に直面している。 我々は、座標に基づく変形ネットワークと共有カノニカル表現場を結合した教師なしのペアワイズフレームワークであるINST-Alignについて述べる。 2相トレーニング戦略は、まず安定な標準埋め込み空間を確立し、その後、変形と空間的特徴マッチングを共同で最適化し、相互に制約されたアライメントと表現学習を可能にする。 標準場のクロススライスパラメータ共有はあいまいな対応を規則化し、バッチ変動を吸収する。 INST-Alignは9つのデータセットで、最先端の平均OT精度(0.702)、NN精度(0.719)、Chamfer距離(94.9\%)を達成している。 この枠組みはまた、生物学的に意味のある空間埋め込みとコヒーレントな3D組織再構築をもたらす。 コードはレビューフェーズ後にリリースされる。

関連論文リスト

• Riemannian and Symplectic Geometry for Hierarchical Text-Driven Place Recognition [6.392844932864485]
  SympLocは、粗い段階における多レベルアライメントを備えた、新しい粗大な局所化フレームワークである。 既存の最先端のアプローチと比較して、Top-1リコール@10mでは19%改善されている。
  論文  参考訳（メタデータ） (2026-04-02T04:13:42Z)
• SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
  我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。 本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
  論文  参考訳（メタデータ） (2025-11-21T16:32:01Z)
• Intraoperative 2D/3D Registration via Spherical Similarity Learning and Inference-Time Differentiable Levenberg-Marquardt Optimization [17.28038933121844]
  術中の2D/3D登録は術前の3Dボリュームとリアルタイムの2Dラジオグラフィーを一致させ、機器やインプラントの正確な位置決めを可能にする。 既存のユークリッド近似は、多様体の構造を歪め、収束を遅くする。 非ユークリッド球面特徴空間における類似性学習について検討し、複素多様体構造をよりよく捕捉し適合させる。
  論文  参考訳（メタデータ） (2025-09-08T17:10:43Z)
• Beyond flattening: a geometrically principled positional encoding for vision transformers with Weierstrass elliptic functions [2.8199098530835127]
  視覚変換器はコンピュータビジョンタスクにおいて顕著な成功を収めた。 伝統的な位置符号化アプローチはユークリッド空間距離とシーケンシャルインデックス距離との間の単調な対応を確立するのに失敗する。 WEF-PE(英語版)は、自然複素領域表現による埋め込み2次元座標を直接扱う数学的原理のアプローチである。
  論文  参考訳（メタデータ） (2025-08-26T16:14:59Z)
• GMapLatent: Geometric Mapping in Latent Space [51.317738404571514]
  エンコーダ-デコーダAIアーキテクチャに基づくドメイン間の生成モデルは、現実的な画像の生成に大きな注目を集めている。 幾何学的マッピングに基づく正準潜在空間表現を導入し、領域間潜在空間を厳密かつ正確に整列する。 グレースケールおよびカラー画像の実験は、GMapLatentの有効性、有効性および適用性を検証する。
  論文  参考訳（メタデータ） (2025-03-30T12:02:36Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)
• Enhanced High-Dimensional Data Visualization through Adaptive Multi-Scale Manifold Embedding [0.7705234721762716]
  本稿では,適応型マルチスケールマニフォールド埋め込み (AMSME) アルゴリズムを提案する。 順序距離を導入することで、高次元空間における次元性の呪いの制約を克服できることが示される。 実験により,AMSMEはクラスタ内トポロジ構造を著しく保存し,クラスタ間分離を改善した。
  論文  参考訳（メタデータ） (2025-03-18T06:46:53Z)
• Hierarchical Context Alignment with Disentangled Geometric and Temporal Modeling for Semantic Occupancy Prediction [61.484280369655536]
  カメラを用いた3Dセマンティック占領予測(SOP)は、限られた2次元画像観察から複雑な3Dシーンを理解するのに不可欠である。 既存のSOPメソッドは通常、占有表現学習を支援するためにコンテキストの特徴を集約する。 より正確なSOP(Hi-SOP)のための新しい階層型コンテキストアライメントパラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-11T09:53:10Z)
• 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)
• HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
  ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。 本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。 4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-30T14:27:50Z)

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。