論文の概要: PU-UNet: Stable Multiplicative Interactions for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.20035v1
• Date: Thu, 18 Jun 2026 10:07:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.788667
• Title: PU-UNet: Stable Multiplicative Interactions for Medical Image Segmentation
• Title（参考訳）: PU-UNet:医療画像セグメンテーションのための安定多目的インタラクション
• Authors: Ziyuan Li, Osamah Sufyan, Uwe Jaekel, Babette Dellen,
• Abstract要約: Product-Unit U-Netは、安定な製品ユニット残基ブロックを医用画像セグメンテーションのためのリッチな低解像度ステージに統合する残留U-Netである。 一致するResidual U-Netベースラインと比較すると、PU-UNetはパラメータ、FLOP、推論をほとんど変更することなく、DiceとIoUを一貫して改善している。 これらの結果から, 安定な製品ユニット残差学習は, 明示的な乗法的相互作用を持つU-Net型セグメンテーションネットワークの強化に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.8574682463936006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many dense prediction networks rely on additive feature transformations and model higher-order feature interactions only implicitly. Product units provide an explicit mechanism for multiplicative feature modeling, but their logarithmic--exponential formulation can cause numerical instability, which has limited their use in deep dense prediction networks. In this work, we propose Product-Unit U-Net (PU-UNet), a residual U-Net that integrates stable product-unit residual blocks into rich low-resolution stages for medical image segmentation. The proposed formulation combines smooth positivity mapping with log-domain clipping, enabling stable multiplicative feature learning with negligible computational overhead. On ISIC 2018, Kvasir-SEG, and BUSI, PU-UNet achieves Dice scores of 0.942, 0.959, and up to 0.925, respectively. Compared with a matched Residual U-Net baseline, PU-UNet consistently improves Dice and IoU while keeping parameters, FLOPs, and inference latency nearly unchanged, and reduces the image-level false-positive rate on normal BUSI cases from 0.077 to zero. Ablation studies suggest that the gains are associated with product-unit interactions, are strongest under low-resolution placement, and benefit from the proposed stabilization design. These results suggest that stable product-unit residual learning can be an effective way to enhance U-Net-style segmentation networks with explicit multiplicative interactions.
• Abstract（参考訳）: 多くの高密度予測ネットワークは加法的特徴変換に依存し、高次特徴相互作用を暗黙的にモデル化する。 製品ユニットは乗法的特徴モデリングの明確なメカニズムを提供するが、その対数的-指数的定式化は数値不安定を引き起こす可能性があり、深層予測ネットワークでの使用を制限している。 本研究では,安定な製品ユニット残差ブロックを医用画像分割のためのリッチな低解像度ステージに統合する残差U-NetであるProduct-Unit U-Net(PU-UNet)を提案する。 提案した定式化は,スムーズなポジティリティマッピングとログドメインクリッピングを組み合わせることで,計算オーバーヘッドを無視できるような,安定した乗法的特徴学習を実現する。 ISIC 2018、Kvasir-SEG、BUSIでは、PU-UNetはそれぞれ0.942、0.959、0.925のDiceスコアを達成している。 マッチングされたResidual U-Netベースラインと比較して、PU-UNetはパラメータ、FLOP、推論遅延をほとんど変更することなく、DiceとIoUを一貫して改善し、通常のBUSIケースのイメージレベルの偽陽性率を0.077から0に下げる。 アブレーション研究は、利得は製品ユニット間の相互作用と関連し、低解像度の配置下では最強であり、提案された安定化設計の恩恵を受けることを示唆している。 これらの結果から, 安定な製品ユニット残差学習は, 明示的な乗法的相互作用を持つU-Net型セグメンテーションネットワークの強化に有効であることが示唆された。

関連論文リスト

• Repulsor: Accelerating Generative Modeling with a Contrastive Memory Bank [65.00301565190824]
  mnameは、外部エンコーダを必要としない、プラグアンドプレイのトレーニングフレームワークである。 mnameは400kのステップでtextbf2.40 の最先端 FID を達成し、同等のメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-12-09T14:39:26Z)
• Constructive Universal Approximation and Sure Convergence for Multi-Layer Neural Networks [0.0]
  o1Neuroはスパースインジケータ活性化ニューロン上に構築された新しいニューラルネットワークモデルである。 人口レベルでは、深い o1Neuro は $boldsymbolX$ の任意の可測関数を近似することができる。 サンプルレベルでは、o1Neuroの最適化は、十分に多くの更新ラウンドの後、確率が1に近づく最適モデルに達する。
  論文  参考訳（メタデータ） (2025-07-07T08:55:28Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• SASWISE-UE: Segmentation and Synthesis with Interpretable Scalable Ensembles for Uncertainty Estimation [6.082812294410541]
  本稿では,医療深層学習モデルの解釈性向上を目的とした,効率的なサブモデルアンサンブルフレームワークを提案する。 不確実性マップを生成することにより、エンドユーザーがモデル出力の信頼性を評価することができる。
  論文  参考訳（メタデータ） (2024-11-08T04:37:55Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Investigating and Improving Latent Density Segmentation Models for Aleatoric Uncertainty Quantification in Medical Imaging [21.311726807879456]
  イメージセグメンテーションでは、この問題に対処するために潜在密度モデルを利用することができる。 最も一般的なアプローチは確率的U-Net (PU-Net) である。 我々は,すべての潜伏次元における等質性を促進するために,相互情報更新とエントロピー規則化されたシンクホーン更新を導入する。
  論文  参考訳（メタデータ） (2023-07-31T14:09:03Z)
• Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
  ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。 本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
  論文  参考訳（メタデータ） (2023-05-26T13:19:15Z)
• Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
  暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。 彼らは不利な姿勢と収束の不安定さに悩まされる。 本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
  論文  参考訳（メタデータ） (2021-06-06T18:05:02Z)

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。