論文の概要: Cell Phantom Video Generation in Elliptical Fourier Descriptor Domain

• arxiv url: http://arxiv.org/abs/2605.22563v1
• Date: Thu, 21 May 2026 14:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.306525
• Title: Cell Phantom Video Generation in Elliptical Fourier Descriptor Domain
• Title（参考訳）: 楕円フーリエディスクリプタ領域におけるセルファントムビデオ生成
• Authors: Francesco Benedetto, Roberto Basla, Luca Magri, Giacomo Boracchi,
• Abstract要約: バイオメディカルビデオ中の個々の細胞を追跡するためのディープニューラルネットワークのトレーニングには、大量の注釈付きデータが必要である。 これは、組織修復やがん治療といった重要な医療問題に対処するために、パブリックアノテートされたデータの可用性が制限されていることを説明します。 本稿では,Fourier Descriptorsドメインにおけるセルファントムのビデオ生成のための新しい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）: 17.395800246369067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training Deep Neural Networks for tracking individual cells in biomedical videos requires a large amount of annotated data. The annotation of videos for cell tracking is very time consuming and often requires domain expertise; this explains the limited availability of public annotated data to address important medical problems like tissue repair or cancer treatment. Generating synthetic videos along with their Ground Truth annotations is a promising solution that relies, as a foundational first step, on the synthesis of single cell annotations (or phantoms). Phantoms need to be time consistent, as they have to replicate biological processes that are specific to the cell types. In this work, we propose a novel framework for generating videos of cell phantoms in the Elliptical Fourier Descriptors (EFDs) domain, a compact and geometrically interpretable representation for 2D closed contours. We represent the cell phantom evolution as a multivariate time series of EFD coefficients, introducing a strong prior for cell morphology and enabling the efficient generation of sequences that evolve coherently in time. Our experimental validation proves that modelling the temporal evolution in EFD space enables the generation of biologically plausible phantom videos. Our method can be used in generative pipelines for synthesizing annotated data for cell tracking, thus strongly mitigating the annotation effort for creating new datasets. Our code is available for download here: https://github.com/FrancescoBenedetto99/efd-cell-video-gen.
• Abstract（参考訳）: バイオメディカルビデオ中の個々の細胞を追跡するためのディープニューラルネットワークのトレーニングには、大量の注釈付きデータが必要である。 細胞追跡のためのビデオのアノテーションは非常に時間がかかり、しばしばドメインの専門知識を必要とする。 Ground Truthアノテーションとともに合成ビデオを生成することは、単一のセルアノテーション(またはファントム)の合成に基礎的な第一歩として、有望なソリューションである。 ファントムは、細胞の種類に特有の生物学的プロセスを複製する必要があるため、時間的一貫性を持つ必要がある。 本研究では,2次元閉じた輪郭のコンパクトかつ幾何学的に解釈可能な表現であるEFD(Elliptical Fourier Descriptors)領域におけるセルファントムのビデオを生成するための新しいフレームワークを提案する。 我々は, 細胞ファントムの進化を, 多変量時系列のEFD係数として表現し, 細胞形態学に強い先行性を導入し, 時間的に連続的に進化する配列の効率的な生成を可能にする。 実験により、EFD空間における時間的進化をモデル化することで、生物学的にもっともらしいファントムビデオの生成が可能であることが証明された。 提案手法は, セル追跡のための注釈付きデータを合成するための生成パイプラインに利用することができ, 新たなデータセットを作成するためのアノテーションの労力を軽減できる。 私たちのコードはこちらからダウンロードできる。

関連論文リスト

• Inference-based GAN Video Generation [47.53991869205973]
  可変エンコーダを用いた対向型非条件ビデオジェネレータの実現により,新しいタイプのビデオジェネレータを提案する。 既存のモデルは、生成されたビデオの時間的スケーリングに苦労する。 私たちは、数百から数千のフレームからなる長いビデオを生成するために、新しい、メモリ効率のアプローチを採用しています。
  論文  参考訳（メタデータ） (2025-12-25T20:14:38Z)
• AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation [58.844504598618094]
  本稿では、被験者駆動ビデオ生成のための明示的なタイムスタンプ条件付きフレームワークAlcheMinTを提案する。 提案手法では,時間間隔の符号化を解き放つ新しい位置符号化機構を導入する。 我々は、視覚的アイデンティティとビデオキャプションの結合を強化するために、主観記述型テキストトークンを導入し、世代間あいまいさを緩和する。
  論文  参考訳（メタデータ） (2025-12-11T18:59:34Z)
• DAVID-XR1: Detecting AI-Generated Videos with Explainable Reasoning [58.70446237944036]
  DAVID-Xは、AI生成ビデオに詳細な欠陥レベル、時間空間アノテーションと有理書を組み合わせた最初のデータセットである。 DAVID-XR1は、視覚的推論の解釈可能な連鎖を提供するために設計されたビデオ言語モデルである。 以上の結果から,AI生成ビデオコンテンツの信頼性確認のための説明可能な検出手法が期待できることを示す。
  論文  参考訳（メタデータ） (2025-06-13T13:39:53Z)
• SynCellFactory: Generative Data Augmentation for Cell Tracking [15.416971751307509]
  SynCellFactoryは再生細胞ビデオの拡張である。 SynCellFactoryの中心には、スタイルや動きのパターンにおいて、セルイメージをフォトリアリスティックな精度で合成するように微調整されたControlNetアーキテクチャがある。
  論文  参考訳（メタデータ） (2024-04-25T08:51:59Z)
• Annotated Biomedical Video Generation using Denoising Diffusion Probabilistic Models and Flow Fields [0.044688588029555915]
  本稿では,現実的な合成顕微鏡ビデオを生成するバイオメディカルビデオ拡散モデル(BVDM)を提案する。 BVDMは任意の長さのビデオをピクセルレベルのアノテーションで生成することができる。 高忠実な合成細胞顕微鏡画像を生成する拡散確率モデル(DDPM)と、連続するビデオフレーム間の非剛性変換を予測するフロー予測モデル(FPM)から構成される。
  論文  参考訳（メタデータ） (2024-03-26T15:45:29Z)
• Vivim: a Video Vision Mamba for Medical Video Segmentation [52.11785024350253]
  本稿では、医用ビデオセグメンテーションタスクのためのビデオビジョンマンバベースのフレームワークVivimを提案する。 我々のビビムは、長期表現を様々なスケールのシーケンスに効果的に圧縮することができる。 超音波検査では甲状腺分節,乳房病変分節,大腸内視鏡検査ではポリープ分節が有効で有効であった。
  論文  参考訳（メタデータ） (2024-01-25T13:27:03Z)
• Towards Smooth Video Composition [59.134911550142455]
  ビデオ生成には、時間とともに動的コンテンツを伴う一貫した永続的なフレームが必要である。 本研究は, 生成的対向ネットワーク(GAN)を用いて, 任意の長さの映像を構成するための時間的関係を, 数フレームから無限までモデル化するものである。 単体画像生成のためのエイリアスフリー操作は、適切に学習された知識とともに、フレーム単位の品質を損なうことなく、スムーズなフレーム遷移をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-12-14T18:54:13Z)

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。