論文の概要: Widest-Path Reachability Fields for Connectivity-Preserving Slender Structure Segmentation

• arxiv url: http://arxiv.org/abs/2607.07123v1
• Date: Wed, 08 Jul 2026 08:04:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.319374
• Title: Widest-Path Reachability Fields for Connectivity-Preserving Slender Structure Segmentation
• Title（参考訳）: 接続性保存型スレンダー構造セグメンテーションのための最も広いパス到達性場
• Abstract要約: WPRF(Widest-Path Reachability Fields)は、勾配流を接続ボトルネックにリダイレクトする、微分可能なMax-Minリーチビリティーの目的である。 WPRFは、ドメイン制限グラフ上の動的プログラミングを通じて、差別化可能なMax-Minの目的を実装している。 9つのアーキテクチャと6つのデータセットにわたる実験は、ボトルネック中心の勾配ルーティングメカニズムを検証する。
• 参考スコア（独自算出の注目度）: 3.8331203995580565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmenting slender curvilinear structures such as retinal vessels, cracks, and roads demands topological correctness, as even a single-pixel discontinuity can fragment a continuous network and invalidate downstream analysis. Under standard binary-mask supervision, models optimized for pixel-level overlap frequently produce topologically broken predictions. We trace this to a fundamental mismatch: pixel-wise losses distribute gradients uniformly, yet connectivity hinges on a sparse set of bottleneck pixels. These pixels are vastly outnumbered by thick structures and background, rendering their aggregate gradient contribution negligible. We term this phenomenon topological gradient starvation (TGS). To address it, we propose Widest-Path Reachability Fields (WPRF), a differentiable Max-Min reachability objective that redirects gradient flow to connectivity bottlenecks. The module is plug-and-play, backbone-agnostic, and incurs no inference overhead. WPRF implements a differentiable Max-Min objective via dynamic programming on a domain-restricted graph, coupled with a bottleneck-aware observation term that balances gradient contributions across varying structures. Compared to prior topology-aware losses that rely on post-hoc skeletonization or homology computation, WPRF directly optimizes end-to-end reachability via differentiable Max-Min algebra, enabling gradient flow to concentrate on connectivity bottlenecks without auxiliary structures. We introduce OMVIS, a new oral microvessel segmentation dataset. Experiments across nine architectures and six datasets validate the bottleneck-focused gradient routing mechanism. WPRF improves 87\% of experiments with fixed hyperparameters and achieves clDice gains of 7.2 percentage points on structurally fragile datasets.
• Abstract（参考訳）: 網膜血管、ひび割れ、道路などの細い曲線構造を分割することは、一画素の不連続でさえ連続的なネットワークを断片化し、下流の分析を無効にするので、位相的正しさを要求する。 標準的なバイナリマスクの監督の下では、ピクセルレベルの重複に最適化されたモデルは、しばしば位相的に壊れた予測を生成する。 ピクセル単位の損失は勾配を均一に分散するが、接続性はボトルネック画素のスパースセットに比例する。 これらの画素は、厚い構造や背景によって大きく劣っているため、集約勾配の寄与は無視できる。 我々はこの現象をトポロジカル・グラデーション・飢餓(TGS)と呼ぶ。 そこで本研究では,勾配流を接続ボトルネックにリダイレクトするWPRF(Widest-Path Reachability Fields)を提案する。 モジュールはプラグイン・アンド・プレイであり、バックボーンに依存しず、推論オーバーヘッドは発生しない。 WPRFは、ドメイン制限付きグラフ上での動的プログラミングによる差別化可能なMax-Min目的と、さまざまな構造にまたがる勾配寄与のバランスをとるボトルネック対応観察項を実装している。 WPRFは、ホック後のスケルトン化やホモロジー計算に依存する事前のトポロジーによる損失と比較して、微分可能なMax-Min代数を介してエンドツーエンドの到達性を直接最適化し、補助構造を使わずに接続ボトルネックに集中することができる。 我々は,新しい口腔微小血管セグメンテーションデータセットであるOMVISを紹介する。 9つのアーキテクチャと6つのデータセットにわたる実験は、ボトルネック中心の勾配ルーティングメカニズムを検証する。 WPRFは、固定されたハイパーパラメータによる87\%の実験を改善し、構造的に脆弱なデータセットにおいて、ClDiceの7.2ポイントのゲインを達成する。

関連論文リスト

• Distance-Preserving Embeddings in Inhomogeneous Random Graphs [9.290757451344671]
  非均一なランダムグラフ上のランドマークベースの埋め込みによる最短パス近似を解析する。 これらの保証は、大域的、コンポーネント全体の平均に拡張し、有限型および連続潜在空間における解析を統一する。 本稿では,厳密で計算コストのかかる最短パスクエリを,柔軟で構造を意識したニューラルサロゲートに置き換えるGNN拡張型を提案する。
  論文  参考訳（メタデータ） (2026-07-11T01:59:00Z)
• Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels [0.0]
  大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。 既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。 本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。
  論文  参考訳（メタデータ） (2026-06-18T20:12:18Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
  グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。 合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
  論文  参考訳（メタデータ） (2026-01-30T03:59:38Z)
• TFFM: Topology-Aware Feature Fusion Module via Latent Graph Reasoning for Retinal Vessel Segmentation [3.903438631397551]
  血管接続性を維持するために設計されたトポロジ対応フレームワークを紹介する。 我々のアーキテクチャは、局所的な特徴表現を潜在グラフ空間にマッピングする、トポロジカル・フィーチャー・フュージョン・モジュール(TFFM)を融合する。 学習過程をハイブリッドな目的関数で駆動し,クラス不均衡に対するTverskyの損失とソフトなClDiceの損失とを結合させ,トポロジカルな切断を明示的に罰する。
  論文  参考訳（メタデータ） (2026-01-27T03:09:10Z)
• Fluxamba: Topology-Aware Anisotropic State Space Models for Geological Lineament Segmentation in Multi-Source Remote Sensing [6.815807403335458]
  トポロジ対応の機能修正フレームワークを導入した軽量アーキテクチャを提案する。 F Fluxambaは3.4Mパラメータと6.3G FLOPで24FPS以上のリアルタイム推論速度を達成する。
  論文  参考訳（メタデータ） (2026-01-24T03:55:21Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Semi-Supervised Clustering of Sparse Graphs: Crossing the Information-Theoretic Threshold [3.6052935394000234]
  ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。 ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。 パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-24T00:03:25Z)

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。