論文の概要: SkelEM: Training-Signal Decoupling of Skeleton and Diffusion for Self-supervised Axial Super-Resolution in Volume Microscopy

• arxiv url: http://arxiv.org/abs/2606.30012v1
• Date: Mon, 29 Jun 2026 09:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.159913
• Title: SkelEM: Training-Signal Decoupling of Skeleton and Diffusion for Self-supervised Axial Super-Resolution in Volume Microscopy
• Title（参考訳）: SkelEM:Volume Microscopyにおける自監督軸超解像における骨格と拡散の訓練信号分離
• Abstract要約: 電子や光の顕微鏡を含む体積顕微鏡は、物理軸断面積による激しい異方性分解に悩まされる。 既存の自己教師付き軸超解像法(ASR)は、過度に滑らかな回帰テクスチャ、純粋な拡散モデルの構造幻覚、および禁止的な推論遅延によって境界付けられたトリレンマに直面している。 SkelEM(Skeleton-RefinE Microscopy)は,ASRを訓練信号レベルで分離する自己監督型フレームワークである。 SkelEMは、最先端下流膜を有する自己監督法において、フィデリティ・パーセプショントレードオフの最も好適なバランスを達成する
• 参考スコア（独自算出の注目度）: 14.298763486164377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Volume microscopy, including electron and light microscopy, suffers from severe anisotropic resolution due to physical axial sectioning. Existing self-supervised axial super-resolution (ASR) methods face a trilemma bounded by overly smoothed regression textures, structural hallucinations of pure diffusion models, and prohibitive inference latency. In this paper, we propose Skeleton-refinE Microscopy (SkelEM), a self-supervised framework that decouples ASR at the training-signal level: a frozen topological network and a diffusion refiner are optimized by disjoint objectives, separating low-frequency topology formulation from high-frequency detail enhancement. Building on this deterministic skeleton, we exploit a unified cycle-consistent mechanism on input sparse slices to simultaneously extract a real-domain residual prior and bidirectionally align the diffusion refiner, washing away cross-plane artifacts without synthetic bias. By truncating the reverse diffusion process with this physical prior, SkelEM achieves high-fidelity detail restoration in merely $\le 5$ steps. To rigorously assess cross-instrument generalization, we further introduce BRAVE-ASR, a new benchmark of co-aligned anisotropic and isotropic volumes acquired on a Plasma-FIB instrument. Across public benchmarks, SkelEM achieves the most favorable balance across the fidelity-perception trade-off among self-supervised methods, with state-of-the-art downstream membrane segmentation performance and robust zero-shot generalization across distinct modalities.
• Abstract（参考訳）: 電子や光の顕微鏡を含む体積顕微鏡は、物理軸断面積による激しい異方性分解に悩まされる。 既存の自己教師付き軸超解像法(ASR)は、過度に滑らかな回帰テクスチャ、純粋な拡散モデルの構造幻覚、および禁止的な推論遅延によって境界付けられたトリレンマに直面している。 本稿では,ASRをトレーニング信号レベルで分離する自己教師型フレームワークであるSkeleton-RefinE Microscopy(SkelEM)を提案する。 この決定論的スケルトンに基づいて,入力スパーススライスに一貫したサイクル一貫性機構を利用して,実領域残差を同時に抽出し,拡散精錬器を双方向に整列させ,合成バイアスを伴わずにクロスプレーンアーティファクトを洗浄する。 逆拡散過程をこの物理的先行で切り離すことで、SkelEMは単に$\le 5$のステップで高忠実度詳細復元を達成する。 クロスストラクチャーの一般化を厳密に評価するために,プラズマ-FIB装置で取得したコヒーレント異方性および等方性ボリュームの新しいベンチマークであるBRAVE-ASRを導入する。 公開ベンチマーク全体を通じて、SkelEMは、最先端の下流膜セグメンテーション性能と、異なるモダリティをまたいだ堅牢なゼロショット一般化により、自己監督手法間のフィデリティ・パーセプショントレードオフにおいて、最も好適なバランスを達成している。

関連論文リスト

• Symmetry-Breaking De Novo Crystal Generation via Markovian Jump Diffusion [50.136954476803766]
  低対称性の先行概念から逆転することで、完全な構造仕様を生成する新しい拡散ベースのフレームワークを提案する。 emphSymmetry-breaking Crystal Diffusion (SbCD) と呼ばれる我々のモデルは、空間群間遷移を生成過程に明示的に組み込むための原則的アプローチを導入している。 MP20とMPTS-52のデ・ノボ生成実験では、SbCDは対称性保存法よりもかなり優れていた。
  論文  参考訳（メタデータ） (2026-08-13T16:41:48Z)
• Single-photon scattering in a dissipative superconducting-qubit--SSH lattice hybrid [14.167952153585453]
  超伝導量子ビットに局所的に結合したSu-Schrieffer-Heeger(SSH)フォトニック格子における単一光子散乱について検討した。 我々は、SSH二量体化、量子ビット誘起非エルミタン自己エネルギー、合成ゲージ位相が共役して反射スペクトルと透過スペクトルを再構成することを示した。
  論文  参考訳（メタデータ） (2026-06-09T07:37:35Z)
• Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT [0.0]
  本稿では,隣接する一対の軸スライスから中間CTスライスを合成する深層学習システムを提案する。 このシステムは、3次元の可視化を改善しながら、自然に識別された出力を同時に生成する。
  論文  参考訳（メタデータ） (2026-06-08T10:45:51Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• Neutron and X-ray Diffraction Reveal the Limits of Long-Range Machine Learning Potentials for Medium-Range Order in Silica Glass [2.5432391525687748]
  ガラスシリカは光学とエレクトロニクスの基礎となる材料である。 中距離オーダー(MRO)を正確に予測することは、機械学習の原子間ポテンシャルにとって大きな課題である。 ここでは、中性子とX線回折の測定を、2つのMACEモデルで駆動される大規模分子動力学と組み合わせる。
  論文  参考訳（メタデータ） (2026-04-23T02:37:29Z)
• Better with Less: Tackling Heterogeneous Multi-Modal Image Joint Pretraining via Conditioned and Degraded Masked Autoencoder [34.73963627819185]
  高分解能光合成開口レーダ(SAR)プレトレーニングは、単一ソース表現を相互に強化するために、モダリティの相乗効果を求める。 我々は、アライメントの少ないテキスト・ベッター・シナジーの先駆者であるCoDe-MAEを提案する。 CoDe-MAEは、表現の劣化を防ぎ、多様な単一および双方向の下流タスクにまたがる新しい最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2026-04-18T10:23:00Z)
• AI-Driven Structure Refinement of X-ray Diffraction [6.970927372252305]
  このアルゴリズムは,ブラッグの法則をバッチ予測における明示的な制約へと変換する。 ブラッグに一貫性があり、不確実性を認識した強度を洗練可能なインターフェースとして提供することにより、WPEMはAI生成仮説と回折許容構造洗練の間のギャップを埋める。
  論文  参考訳（メタデータ） (2026-02-18T11:14:35Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Absorb and Converge: Provable Convergence Guarantee for Absorbing Discrete Diffusion Models [66.0716790920952]
  吸収率行列を用いた離散拡散モデルに対する第1次有限時間誤差境界と収束速度解析を提供する。 我々は、吸収率行列の下での$tau$-leapingと均一化サンプリングの双方に対する最初の収束保証を確立する。 適切な仮定の下では、早期に停止することなく収束保証を提供する。
  論文  参考訳（メタデータ） (2025-06-02T23:14:35Z)
• DDS2M: Self-Supervised Denoising Diffusion Spatio-Spectral Model for Hyperspectral Image Restoration [103.79030498369319]
  ハイパースペクトル画像復元のための自己教師付き拡散モデルを提案する。 textttDDS2Mは、既存の拡散法と比較して、より強力な一般化能力を持っている。 HSIのノイズ除去、ノイズ除去、様々なHSIの超解像実験は、既存のタスク固有状態よりもtextttDDS2Mの方が優れていることを示した。
  論文  参考訳（メタデータ） (2023-03-12T14:57:04Z)
• Noise-resilient Edge Modes on a Chain of Superconducting Qubits [103.93329374521808]
  量子系の遺伝対称性は、それ以外は脆弱な状態を保護することができる。 非局所マヨラナエッジモード(MEM)を$mathbbZ$パリティ対称性で表す一次元キックドイジングモデルを実装した。 MEMは、予熱機構により特定の対称性を破るノイズに対して弾力性があることが判明した。
  論文  参考訳（メタデータ） (2022-04-24T22:34:15Z)

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。