Fugu-MT 論文翻訳(概要): Vision Transformer-Conditioned UNet for Domain-Adaptive Semantic Segmentation

論文の概要: Vision Transformer-Conditioned UNet for Domain-Adaptive Semantic Segmentation

arxiv url: http://arxiv.org/abs/2605.16393v1
Date: Tue, 12 May 2026 11:56:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:46.201769
Title: Vision Transformer-Conditioned UNet for Domain-Adaptive Semantic Segmentation
Title（参考訳）: ドメイン適応セマンティックセマンティックセグメンテーションのための視覚変換器によるUNet
Authors: Joel Valdivia Ortega, Tingying Peng, Marion Jasnin,
Abstract要約: 本稿では,学習可能なトークンと双方向のアテンションデコーダを通じて,凍結事前学習されたViT表現にUNetを条件付けるViTC-UNetを紹介する。これは、ViTグローバルな視覚的先行と、UNetsの局所帰納バイアスと高分解能復号能力を組み合わせたものである。 ViTC-UNetはMRIおよびCTモダリティのセマンティックセグメンテーションタスクにおいて、ベースラインよりも優れている。
参考スコア（独自算出の注目度）: 3.2625979527355784
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Semantic segmentation is essential for analysing anatomical features in biomedical research, yet a performance gap remains for Vision Transformers (ViTs) in the field, particularly for sparse, fine-structured, and low signal-to-noise targets. We attribute this challenge in part to the lightweight pixel decoders commonly used in promptable ViT models, who may lack the local inductive bias needed for high-precision biomedical masks. We bridge this gap by introducing ViTC-UNet, which conditions a UNet on frozen pre-trained ViT representations through learnable tokens and a two-way attention decoder. This combines ViT global visual priors with the local inductive bias and high-resolution decoding capacity of UNets, while avoiding end-to-end ViT fine-tuning even in cross-domain settings. ViTC-UNet outperforms baseline results in semantic segmentation tasks across MRI and CT modalities, demonstrating that structure-conditioned UNet decoding can efficiently adapt large-scale visual priors to high-complexity biomedical segmentation.
Abstract（参考訳）: セマンティックセグメンテーション(Semantic segmentation)は、医学的な研究において解剖学的特徴を分析するのに不可欠であるが、この分野における視覚変換器(ViT)のパフォーマンスギャップは、特にスパース、微細構造、低信号対雑音の標的に対して残っている。この課題の一部は、高精度バイオメディカルマスクに必要な局所的帰納バイアスを欠く可能性のある、プロンプト可能なViTモデルで一般的に使用される軽量画素デコーダに起因している。このギャップを、学習可能なトークンと双方向のアテンションデコーダを通じて、凍結事前学習されたViT表現にUNetを条件付けるViTC-UNetを導入することで、橋渡しする。これにより、ViTのグローバルな視覚的先入観と、UNetsの局所的帰納バイアスと高解像度復号化能力が組み合わされ、ドメイン間設定においてもエンドツーエンドのViTファインチューニングが回避される。 ViTC-UNetはMRIおよびCTモダリティ間のセマンティックセグメンテーションタスクにおいて、ベースラインよりも優れており、構造条件付きUNetデコーディングは、大規模な視覚的先行を高精度なバイオメディカルセグメンテーションに効率的に適応できることを示した。

関連論文リスト

Anatomy-Guided Representation Learning Using a Transformer-Based Network for Thyroid Nodule Segmentation in Ultrasound Images [16.78356926470714]
SSMT-Netは、トランスフォーマー中心のエンコーダ特徴抽出機能を初期教師なしフェーズで強化する半スーパーバイズマルチタスクトランスフォーマーベースのネットワークである。教師付きフェーズでは、モデルが結節分節、腺分節、サイズ推定を共同で最適化し、局所的特徴と大域的特徴を統合する。 TN3KとDDTIデータセットの評価では、SSMT-Netは最先端の手法よりも高い精度と堅牢性を示し、実際の臨床応用の可能性を示している。
論文参考訳（メタデータ） (2025-12-14T12:20:20Z)
Boundary-Aware Vision Transformer for Angiography Vascular Network Segmentation [2.421170887647153]
バウンダリ・アウェア・ビジョン・トランスフォーマー(Baundary-Aware Vision Transformer、BAVT)は、エッジ・アウェア・ロス(エッジ・アウェア・ロス)で拡張されたViTベースのアーキテクチャである。 DCA-1冠動脈造影データセットを用いて,BAVTが医用画像のセグメンテーションの指標で優れた成績を収める手法を検証した。
論文参考訳（メタデータ） (2025-06-15T22:35:08Z)
Your ViT is Secretly an Image Segmentation Model [50.71238842539735]
Vision Transformer (ViT) は、様々なコンピュータビジョンタスクにおいて、顕著なパフォーマンスとスケーラビリティを示している。タスク固有のコンポーネントによって導入された帰納バイアスは、代わりにViT自身で学習できることを示す。画像セグメンテーションを行うためにプレーンな ViT アーキテクチャを再利用した Mask Transformer (EoMT) を導入する。
論文参考訳（メタデータ） (2025-03-24T19:56:02Z)
Hi-End-MAE: Hierarchical encoder-driven masked autoencoders are stronger vision learners for medical image segmentation [21.183229457060634]
10KCTの大規模データセットでHi-End-MAEを事前訓練し、7つの公開医用画像セグメンテーションベンチマークでその性能を評価する。 Hi-End-MAEは、様々な下流タスクにまたがる優れた伝達学習能力を実現し、医用画像の応用におけるViTの可能性を明らかにする。
論文参考訳（メタデータ） (2025-02-12T12:14:02Z)
EViT-Unet: U-Net Like Efficient Vision Transformer for Medical Image Segmentation on Mobile and Edge Devices [5.307205032859535]
精度を維持しながら計算複雑性を低減できる,効率的なViTベースのセグメンテーションネットワークであるEViT-UNetを提案する。 EViT-UNetは、エンコーダ、デコーダ、ボトルネック層、スキップ接続からなるU字型アーキテクチャ上に構築されている。実験の結果、EViT-UNetは、計算複雑性を著しく低減しつつ、医用画像のセグメンテーションにおいて高い精度を達成することが示された。
論文参考訳（メタデータ） (2024-10-19T08:42:53Z)
Minimalist and High-Performance Semantic Segmentation with Plain Vision Transformers [10.72362704573323]
トランス層に加えて,3$Times$3の畳み込みのみで構成されるモデルであるPlainSegを導入する。また,階層的特徴の活用を可能にするPlainSeg-Hierを提案する。
論文参考訳（メタデータ） (2023-10-19T14:01:40Z)
DAT++: Spatially Dynamic Vision Transformer with Deformable Attention [87.41016963608067]
Deformable Attention Transformer (DAT++)を提案する。 DAT++は、85.9%のImageNet精度、54.5および47.0のMS-COCOインスタンスセグメンテーションmAP、51.5のADE20KセマンティックセグメンテーションmIoUで、様々なビジュアル認識ベンチマークで最先端の結果を達成している。
論文参考訳（メタデータ） (2023-09-04T08:26:47Z)
SegViTv2: Exploring Efficient and Continual Semantic Segmentation with Plain Vision Transformers [76.13755422671822]
本稿では,エンコーダ・デコーダ・フレームワークを用いた意味的セグメンテーションのためのプレーンビジョン変換器(ViT)の能力について検討する。 Intention-to-Mask(atm)モジュールを導入し、平易なViTに有効な軽量デコーダを設計する。我々のデコーダは、様々なViTバックボーンを使用して人気のあるデコーダUPerNetより優れ、計算コストの5%程度しか消費しない。
論文参考訳（メタデータ） (2023-06-09T22:29:56Z)
SegViT: Semantic Segmentation with Plain Vision Transformers [91.50075506561598]
意味的セグメンテーションのための平易な視覚変換器(ViT)の能力について検討する。本研究では,学習可能なクラストークンの集合と空間特徴マップの類似性をセグメンテーションマスクに転送するATMモジュールを提案する。実験の結果,ATMモジュールを用いたSegVitは,通常のViTバックボーンよりも優れていることがわかった。
論文参考訳（メタデータ） (2022-10-12T00:30:26Z)
Smoothing Matters: Momentum Transformer for Domain Adaptive Semantic Segmentation [48.7190017311309]
ドメイン適応型セマンティックセグメンテーションに局所的なViTを直接適用しても、期待できる改善は得られない。これらの高周波成分は、局所的な ViT のトレーニングを極めて平滑なものにし、その伝達性を損なう。本稿では,ローパスフィルタリング機構である運動量ネットワークを導入し,対象領域の特徴や擬似ラベルの学習ダイナミクスを円滑にする。
論文参考訳（メタデータ） (2022-03-15T15:20:30Z)
Intriguing Properties of Vision Transformers [114.28522466830374]
視覚変換器(ViT)は、様々なマシンビジョン問題にまたがって印象的な性能を誇示している。我々は、この問題を広範囲の実験を通して体系的に研究し、高性能畳み込みニューラルネットワーク(CNN)との比較を行った。 ViTsの効果的な特徴は、自己認識機構によって可能なフレキシブルな受容と動的場によるものであることを示す。
論文参考訳（メタデータ） (2021-05-21T17:59:18Z)

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。