論文の概要: Deep Spectral Models for Robust Dental Shape Generation

• arxiv url: http://arxiv.org/abs/2606.31293v1
• Date: Tue, 30 Jun 2026 08:10:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.134003
• Title: Deep Spectral Models for Robust Dental Shape Generation
• Title（参考訳）: ロバストな歯科用形状生成のための深部スペクトルモデル
• Abstract要約: ToothForgeは、コンパクトで本質的な表現から歯冠の幾何学をモデル化するディープスペクトル生成フレームワークである。 スペクトル領域で操作することで、TothForgeはシンクロナイズドスペクトル埋め込みを通して3次元歯形の潜在多様体を学習する。 以上の結果から,TothForgeは空間的アプローチに匹敵する,あるいは超越した再現性と生成性能を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.22399170518036912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling of dental crown morphology is fundamental for diagnosis, orthodontic planning, and computer-aided restoration design. However, datasets suitable for training such models are typically limited in size. We present ToothForge, a deep spectral generative framework that models dental crown geometries from compact, intrinsic representations. By operating in the spectral domain, ToothForge learns a latent manifold of 3D tooth shapes through synchronized spectral embeddings, ensuring consistent modeling across samples with varying connectivity. Spectral synchronization mitigates the instability of Laplace-Beltrami eigenbases and enables efficient learning in a low-dimensional space. The framework is thoroughly evaluated through robustness analysis, ablation studies, and benchmarking against PCA-based statistical shape models and point-based generative frameworks. Results show that synchronized spectral modeling achieves reconstruction and generative performance comparable to or exceeding spatial approaches, while maintaining compactness and geometric interpretability. Together, the compact synchronized coefficients and low-dimensional learning space make the framework particularly suitable for limited datasets, as often encountered in dental and medical domains, and applicable in real-world scenarios where guaranteeing consistent connectivity across shapes from various clinics is unrealistic.
• Abstract（参考訳）: 歯冠形態の正確なモデリングは, 診断, 矯正計画, コンピュータ支援修復設計の基礎となる。 しかしながら、そのようなモデルのトレーニングに適したデータセットは通常、サイズが制限される。 歯冠形状をコンパクトで本質的な表現からモデル化する深層スペクトル生成フレームワークであるTothForgeについて述べる。 スペクトル領域で操作することで、TothForgeは同期されたスペクトル埋め込みを通じて3次元の歯形の潜在多様体を学習し、様々な接続性を持つサンプル間の一貫したモデリングを確実にする。 スペクトル同期はラプラス・ベルトラミ固有基底の不安定性を緩和し、低次元空間での効率的な学習を可能にする。 本フレームワークは,PCAに基づく統計形状モデルと点ベース生成フレームワークに対するロバストネス解析,アブレーション研究,ベンチマークを通じて,徹底的に評価される。 その結果、同期スペクトルモデリングは、コンパクトさと幾何学的解釈性を維持しつつ、空間的アプローチに匹敵する、あるいは超越した再現性と生成性能を達成することを示した。 コンパクトな同期係数と低次元学習空間は、歯科領域や医学領域でよく見られるような、限られたデータセットに特に適しており、様々な診療所の形状間の一貫した接続を保証する現実のシナリオに適用できる。

関連論文リスト

• B-Spline Embedded Structure Learning for 3D Tooth Segmentation [4.713922533924589]
  Bline Embedded Structure Learningは、歯の連続的な配列を連続的な構造的制約に蒸留する新しいフレームワークである。 本手法は,計算オーバヘッドにおける異常な構造的堅牢性と効率性を有する新しい最先端の精度を確立する。
  論文  参考訳（メタデータ） (2026-08-18T02:43:49Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Geometry-Aware Dataset Condensation for Diffusion Model Training [103.45641113998839]
  幾何学的分布アライメント問題として,実部分集合選択を再構成することを提案する。 本手法は,一方的な部分的最適輸送を組み込むことで,コンパクトな部分集合を全データ分布に選択的に整列させる。 拡散変形, 部分集合サイズ, 画像解像度, 訓練ラウンドにおける実験により, 本手法が優れた忠実度と分布範囲を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-04T08:53:58Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Topology-Constrained Quantized nnUNet for Efficient and Anatomically Accurate 3D Tooth Segmentation [1.9336815376402718]
  解剖学的に高精度な3次元歯のセグメンテーションのためのトポロジー制約付き量子化 nnUNet フレームワークを提案する。 提案手法は,新しい歯に特異的なトポロジ的損失を量子化学習に統合する。 実験により,従来の量子化モデルと比較して,提案手法はトポロジ的誤差を著しく低減することが示された。
  論文  参考訳（メタデータ） (2026-05-05T18:42:15Z)
• Structural Connectome Harmonization Using Deep Learning: The Strength of Graph Neural Networks [0.9663199711697325]
  構造コネクトーム(SC)研究における小さなサンプルサイズは、神経学的および精神疾患に対する信頼性の高いバイオマーカーの開発を制限する。 大規模なマルチサイト研究は存在するが、スキャナーの不均一性による買収関連バイアスがある。 本稿では,メタデータを必要とせず,多様な取得サイト間でSCを調和させる,サイト条件の深い調和フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-18T14:58:05Z)
• HUG-VAS: A Hierarchical NURBS-Based Generative Model for Aortic Geometry Synthesis and Controllable Editing [4.285436540597423]
  本稿では,血管形状合成のためのNURBS生成モデルであるHUG-VASを紹介する。 NURBS表面のパラメータ化と拡散に基づく生成モデルを統合し、現実的できめ細かい大動脈のジオメトリーを合成する。 HuG-VASは、上大動脈枝を持つ解剖学的に忠実な大動脈を生成し、元のデータセットと密接に一致するバイオマーカー分布を生成する。
  論文  参考訳（メタデータ） (2025-07-15T16:45:43Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• ToothForge: Automatic Dental Shape Generation using Synchronized Spectral Embeddings [0.4799822253865054]
  ToothForgeは、新しい3D歯を自動生成するためのスペクトルアプローチである。 形状スペクトルを生成するには 分解されたハーモニクスの不安定さが伴う 同期モデリングは、以前のメソッドによって課された制限要素を取り除く。
  論文  参考訳（メタデータ） (2025-06-03T09:56:22Z)
• JADE: Joint-aware Latent Diffusion for 3D Human Generative Modeling [62.77347895550087]
  JADEは人体形状の変化を微粒化制御で学習する生成フレームワークである。 私たちの重要な洞察は、人体を骨格構造に分解する共同認識の潜伏表現です。 提案した分解条件下でのコヒーレントで可塑性な人体形状を生成するため,カスケードパイプラインも提案する。
  論文  参考訳（メタデータ） (2024-12-29T14:18:35Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)

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。