論文の概要: Gaze into the Details: Locality-Sensitive Enhancement for OCTA Retinal Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2605.20651v1
• Date: Wed, 20 May 2026 03:12:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.454808
• Title: Gaze into the Details: Locality-Sensitive Enhancement for OCTA Retinal Vessel Segmentation
• Title（参考訳）: OCTA網膜血管セグメンテーションにおける局所感応性増強
• Authors: Tuopusen Huang, Ding Ma, Xiangqian Wu,
• Abstract要約: 3つのコアイノベーティブなモジュールを導入して,U-Netアーキテクチャに基づくLSENetを提案する。 船舶の不連続性に対処するために,標準的なスキップ接続を置き換えるパッチ情報エンハンスモジュール(PIE)を導入する。 詳細損失を軽減するため,マルチスケール・フィーチャー・フュージョン・モジュール (MFF) が提案され,PIEモジュールの豊富なマルチスケール情報を提供する。 最後に、コネクティビティ・リファインメント・デコーダ(CRD)は全てのレベルから機能を洗練し、最終畳み込み層で大きなカーネルを使用して断片化を減らすように設計されている。
• 参考スコア（独自算出の注目度）: 14.471385531431784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing deep learning frameworks for Optical Coherence Tomography Angiography (OCTA) vessel segmentation are largely derived from the U-Net architecture, which serves as the foundation for most current designs. However, most of these methods focus only on holistic representation, struggling to address the problem of low local contrast unique to OCTA, which leads to vessel discontinuities and loss of detail. To address these problems, we propose LSENet, which builds upon the U-Net architecture by introducing three core innovative modules: To address vessel discontinuities, we introduce the Patch Information Enhance module (PIE), which replaces standard skip connections to execute patch-wise attention. To mitigate detail loss, the Multiscale Feature Fusion module (MFF) is proposed to feed the PIE module rich, multi-scale information by extracting visually interpretable features from both the original input and preceding layers. Finally, the Connectivity Refinement Decoder (CRD) is designed to refine features from all levels and utilize a large kernel in the final convolutional layer to reduce fragmentation. Experiments on three public datasets (OCTA-500, ROSE-1, and ROSSA) demonstrate that our proposed LSENet achieves state-of-the-art performance while requiring fewer parameters.
• Abstract（参考訳）: オプティカルコヒーレンス・トモグラフィー(OCTA)血管セグメンテーションのための既存のディープラーニングフレームワークは、ほとんどの現行の設計の基礎となるU-Netアーキテクチャから大きく派生している。 しかし、これらの手法の多くは全体論的な表現にのみ焦点をあてており、OCTA特有の局所的コントラストの低い問題に対処するのに苦労しており、船体の不連続や詳細の喪失につながっている。 船体不連続性に対処するため,標準的なスキップ接続を置き換えてパッチワイドアテンションを実行するPIE(Patch Information Enhance Module)を導入する。 詳細損失を軽減するため、MFF(Multiscale Feature Fusion Module)が提案され、元の入力層と先行層の両方から視覚的に解釈可能な特徴を抽出することにより、PIEモジュールにリッチなマルチスケール情報を供給する。 最後に、コネクティビティ・リファインメント・デコーダ(CRD)は全てのレベルから機能を洗練し、最終畳み込み層で大きなカーネルを使用して断片化を減らすように設計されている。 3つの公開データセット(OCTA-500, ROSE-1, ROSSA)の実験により, 提案したLSENetは, より少ないパラメータを必要としながら, 最先端の性能を達成することを示した。

関連論文リスト

• Manifold-aware Representation Learning for Degradation-agnostic Image Restoration [135.90908995927194]
  画像復元(IR)は、ノイズ、ぼかし、迷路、雨、低照度といった様々な汚職に影響を受ける劣化した入力から高品質な画像を復元することを目的としている。 我々は、入力特徴空間を3つのセマンティックに整列した並列分岐に明示的に分解する1つのIRにおいて、すべてに統一されたフレームワークであるMIRAGEを提案する。 このモジュラ分解は、多種多様な分解の一般化と効率を大幅に改善する。
  論文  参考訳（メタデータ） (2025-05-24T12:52:10Z)
• UnfoldIR: Rethinking Deep Unfolding Network in Illumination Degradation Image Restoration [33.290565892897824]
  DUN(Deep Openfolding Network)は、照明劣化画像復元(IDIR)に広く利用されている。 IDIRタスクのための新しいDUNベースのUnfoldIRを提案する。 反射率支援照明補正(RAIC)モジュールと照明誘導反射率向上(IGRE)モジュールから構成される。
  論文  参考訳（メタデータ） (2025-05-10T16:13:01Z)
• A Lightweight Deep Exclusion Unfolding Network for Single Image Reflection Removal [68.0573194557999]
  シングルイメージリフレクション除去(SIRR)は、標準的なブラインドソース分離問題である。 本稿ではSIRRのための新しいDeep Exclusion Unfolding Network(DExNet)を提案する。 DExNetは、単純な反復スパースと補助的特徴更新(i-SAFU)アルゴリズムの展開とパラメータ化によって構築される。
  論文  参考訳（メタデータ） (2025-03-03T07:54:27Z)
• PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
  点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
  論文  参考訳（メタデータ） (2024-08-26T19:43:01Z)
• Accurate and lightweight dehazing via multi-receptive-field non-local network and novel contrastive regularization [22.00352317851905]
  ディープラーニングベースの手法は、画像のデハージング領域を支配している。 本稿では,MRFNLN(Multi-receptive-field non-local network)について述べる。
  論文  参考訳（メタデータ） (2023-09-28T14:59:16Z)
• UT-Net: Combining U-Net and Transformer for Joint Optic Disc and Cup Segmentation and Glaucoma Detection [0.0]
  緑内障は慢性の視覚疾患であり、永久的な不可逆性視覚障害を引き起こす可能性がある。 緑内障の早期発見には,カップ・ツー・ディスク比(CDR)の測定が重要な役割を担っている。 我々はUT-Netと呼ばれる新しいセグメンテーションパイプラインを提案し、U-Netとトランスフォーマーの双方の利点をエンコーディング層で利用し、次にアテンションゲートバイ線形融合方式を提案する。
  論文  参考訳（メタデータ） (2023-03-08T23:21:19Z)
• DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention [16.33443834279481]
  本稿では,De detail-enhanced convolution(DEConv)とContent-guided attention(CGA)を組み合わせたDeep-enhanced attention block(DEAB)を提案する。 これらの成分を組み合わせることで,高品質なヘイズフリー画像を復元するための詳細注意ネットワーク(DEA-Net)を提案する。
  論文  参考訳（メタデータ） (2023-01-12T04:27:22Z)
• High-resolution Depth Maps Imaging via Attention-based Hierarchical Multi-modal Fusion [84.24973877109181]
  誘導DSRのための新しい注意に基づく階層型マルチモーダル融合ネットワークを提案する。 本手法は,再現精度,動作速度,メモリ効率の点で最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:28:33Z)
• Multi-Stage Progressive Image Restoration [167.6852235432918]
  本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。 本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。 MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2021-02-04T18:57:07Z)
• Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
  我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
  論文  参考訳（メタデータ） (2020-09-14T08:23:37Z)

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。