論文の概要: Cell Instance Segmentation via Multi-Task Image-to-Image Schrödinger Bridge

• arxiv url: http://arxiv.org/abs/2604.12318v1
• Date: Tue, 14 Apr 2026 05:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.266745
• Title: Cell Instance Segmentation via Multi-Task Image-to-Image Schrödinger Bridge
• Title（参考訳）: マルチタスク・イメージ・ツー・イメージ・シュレーディンガーブリッジによるセル・インスタンス・セグメンテーション
• Authors: Hayato Inoue, Shota Harada, Shumpei Takezaki, Ryoma Bise,
• Abstract要約: 既存のセルインスタンスセグメンテーションパイプラインは通常、決定論的予測と後処理を組み合わせる。 そこで本研究では,分散に基づく画像-画像生成問題として,インスタンスセグメンテーションを定式化するマルチタスク・イメージ・ツー・イメージのSchrdinger Bridgeフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.503166572897004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing cell instance segmentation pipelines typically combine deterministic predictions with post-processing, which imposes limited explicit constraints on the global structure of instance masks. In this work, we propose a multi-task image-to-image Schrödinger Bridge framework that formulates instance segmentation as a distribution-based image-to-image generation problem. Boundary-aware supervision is integrated through a reverse distance map, and deterministic inference is employed to produce stable predictions. Experimental results on the PanNuke dataset demonstrate that the proposed method achieves competitive or superior performance without relying on SAM pre-training or additional post-processing. Additional results on the MoNuSeg dataset show robustness under limited training data. These findings indicate that Schrödinger Bridge-based image-to-image generation provides an effective framework for cell instance segmentation.
• Abstract（参考訳）: 既存のセルインスタンスセグメンテーションパイプラインは通常、決定論的予測と後処理を組み合わせる。 本研究では,マルチタスクイメージ・ツー・イメージ生成問題として,インスタンスセグメンテーションを定式化するシュレーディンガーブリッジフレームワークを提案する。 境界認識の監視は、逆距離マップを通じて統合され、安定な予測を生成するために決定論的推論が用いられる。 PanNukeデータセットの実験結果は、SAM事前学習や追加の後処理に頼ることなく、提案手法が競合的あるいは優れた性能を達成することを示した。 MoNuSegデータセットのさらなる結果は、限られたトレーニングデータの下で堅牢性を示している。 これらの結果から,Schrödinger Bridgeをベースとしたイメージ・ツー・イメージ生成が,セル・インスタンスのセグメンテーションに有効なフレームワークを提供することが明らかとなった。

関連論文リスト

• Boundary-Aware Instance Segmentation in Microscopy Imaging [4.853153612241331]
  本稿では,二項マスクの代わりに符号付き距離関数(SDF)を予測する,プロンプトフリーでバウンダリ対応のインスタンスセグメンテーションフレームワークを提案する。 学習されたシグモイド写像は、SDFを確率写像に変換し、鋭い境界ローカライゼーションをもたらす。 訓練は、統一されたハウスドルフ距離(MHD)の喪失によって導かれる。
  論文  参考訳（メタデータ） (2026-03-22T12:59:22Z)
• Bridging the Inter-Domain Gap through Low-Level Features for Cross-Modal Medical Image Segmentation [8.582475563483465]
  本稿では、教師なし領域適応(UDA)アプローチを探求し、モーダルな医療画像セグメンテーションの課題に対処する。 モデルに依存しないUDAフレームワークであるLowBridgeを提案する。これは、クロスモーダルな画像が、同じ構造を描いているように、似たような低レベルな特徴(エッジなど)を共有しているという単純な観察に基づいている。 テスト時に、対象画像からのエッジ特徴を事前訓練された生成モデルに入力し、ソーススタイルのターゲットドメイン画像を生成し、事前訓練されたセグメンテーションネットワークを用いてセグメント化する。
  論文  参考訳（メタデータ） (2025-05-17T08:49:19Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
  我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。 単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。 本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
  論文  参考訳（メタデータ） (2022-10-12T16:18:25Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• CellSegmenter: unsupervised representation learning and instance segmentation of modular images [0.0]
  本稿では,教師なし表現学習とインスタンスセグメンテーションタスクのための構造化された深層生成モデルとアモータイズ推論フレームワークを提案する。 提案した推論アルゴリズムは、再帰的なメカニズムなしで畳み込み並列化されている。 細胞核イメージングデータセットで得られたセグメンテーション結果を示し,高品質なセグメンテーションを実現するための手法の有効性を示した。
  論文  参考訳（メタデータ） (2020-11-25T02:10:58Z)

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。