論文の概要: Induce to Empower: Improving Lightweight Baselines via Foundation Model Induction for Generalized Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2607.17208v1
• Date: Sun, 19 Jul 2026 11:57:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.393229
• Title: Induce to Empower: Improving Lightweight Baselines via Foundation Model Induction for Generalized Polyp Segmentation
• Title（参考訳）: 一般化ポリープセグメンテーションのための基礎モデル誘導による軽量ベースラインの改善
• Abstract要約: 軽量なポリプセグメンテーションベースラインを大幅に強化する基礎モデル誘導フレームワークLite-Piを提案する。 提案するフレームワークは,FM固有のプロトタイプ表現を生成し,それに対応する基礎モデルとセマンティックに一致させる。 5つのpolypセグメンテーションベンチマークの実験では、Lite-は軽量なベースラインを大幅に改善している。
• 参考スコア（独自算出の注目度）: 17.181959776318823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated polyp segmentation in colonoscopy continues to pose challenges due to substantial appearance variations and indistinct polyp boundaries. Although emerging foundation models (FMs) such as DINOv2, SAM, and OneFormer, demonstrate remarkable generalization capabilities, their direct transfer to the polyp segmentation task and deployment in real-time clinical settings are difficult due to lack of large-scale labeled data and high computational demands. In addition, adopting multiple FMs together raises concerns, even though they encode complementary semantic and structural information. While lightweight models, including U-Net, PraNet and U-Net++, are computationally efficient, they often struggle to generalize across datasets due to limited representational capacity. To address this gap, we propose Lite-Polyp Inductor (Lite-Pi), a novel foundation model induction framework that significantly enhances lightweight polyp segmentation baselines. Our proposed framework generates FM-specific prototype representations and aligns them semantically with the corresponding foundation model priors through reconstruction-based supervision. Subsequently, transformer-based fusion is introduced to highlight the polyp relevant representations, including salient boundary information, while preserving complementary semantic cues. Extensive experiments across five polyp segmentation benchmark datasets demonstrate that Lite-π significantly improves lightweight baselines, achieving superior generalization performance with minimal computational overhead and thereby, offering a practical solution for generalized polyp segmentation. Our code is available at GitHub. https://github.com/lostinrepo/Lite-Pi
• Abstract（参考訳）: 大腸内視鏡における自動ポリープセグメンテーションは、相当な外観変化と不明瞭なポリープ境界のために課題を呈し続けている。 DINOv2、SAM、OneFormerといった新しい基盤モデル(FM)は、顕著な一般化能力を示しているが、大規模なラベル付きデータや高い計算要求がないため、Polypセグメンテーションタスクへの直接転送とリアルタイム臨床環境への展開は困難である。 さらに、複数のFMを同時に採用することで、補完的な意味情報や構造情報をエンコードしたとしても、懸念が高まる。 U-Net、PraNet、U-Net++といった軽量モデルは計算効率が良いが、表現能力に制限があるため、データセット全体の一般化に苦慮することが多い。 このギャップに対処するために,軽量なポリプセグメンテーションベースラインを大幅に強化する基盤モデル誘導フレームワークLite-Piを提案する。 提案するフレームワークは,FM固有のプロトタイプ表現を生成し,再構成に基づく監視を通じて,対応する基礎モデルと意味的に整合する。 その後、トランスフォーマーベースの融合を導入し、相補的な意味的手がかりを保ちながら、有能な境界情報を含むポリプ関連表現を強調した。 5つのpolypセグメンテーションベンチマークデータセットの広範な実験により、Lite-πは軽量なベースラインを著しく改善し、計算オーバーヘッドを最小限に抑え、より優れた一般化性能を実現し、一般化されたpolypセグメンテーションのための実用的なソリューションを提供することを示した。 私たちのコードはGitHubで入手可能です。 https://github.com/lostinrepo/Lite-Pi

関連論文リスト

• Sharpening Lightweight Models for Generalized Polyp Segmentation: A Boundary Guided Distillation from Foundation Models [5.836991649815995]
  ポリープセグメンテーションは早期大腸癌の検出とその予防に重要であるが、境界が弱いこと、外観の変化が大きく、注釈付きデータに制限があるため、依然として困難である。 複数のビジョンモデルからコンパクトなセグメンテーションバックボーンへ意味的および構造的事前を転送するフレームワークである LiteBounD を提案する。 LiteBounDは、最先端の手法と競合する大きなマージンとパフォーマンスで、軽量のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-20T06:25:06Z)
• ASGNet: Adaptive Spectrum Guidance Network for Automatic Polyp Segmentation [31.86667278394464]
  ポリープの早期同定と除去は、大腸癌の発症リスクを減少させる可能性がある。 ポリプの様々な形態、複雑な背景、しばしば隠された性質は大腸内視鏡像におけるポリープのセグメンテーションを極めて困難にしている。 本稿では,空間知覚の限界に対処する適応スペクトル誘導ネットワークASGNetを提案する。
  論文  参考訳（メタデータ） (2026-04-16T08:10:20Z)
• From SAM to DINOv2: Towards Distilling Foundation Models to Lightweight Baselines for Generalized Polyp Segmentation [9.452022523459886]
  Polyp-DiFoMは、基礎モデルのリッチな表現を軽量なセグメンテーションベースラインに転送するフレームワークである。 ベースラインモデルと最先端モデルとを一貫して上回り、オーバーヘッドを約9倍削減した。
  論文  参考訳（メタデータ） (2025-12-10T04:25:01Z)
• Polyp-SES: Automatic Polyp Segmentation with Self-Enriched Semantic Model [7.424888086388194]
  本稿では,既存手法の制約に対処するため,自己富化セマンティックモデルを用いたAutomatic Polypを提案する。 まず、入力画像から一連の特徴を抽出し、ハイレベルな特徴をデコードし、初期セグメンテーションマスクを生成する。 提案する自己富化セマンティックモジュールを用いて,潜在的なセマンティクスを検索し,さらにセマンティクスを付加することで,コンテキスト理解のモデルを支援する。
  論文  参考訳（メタデータ） (2024-10-02T03:34:23Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• Lesion-aware Dynamic Kernel for Polyp Segmentation [49.63274623103663]
  ポリープセグメンテーションのための障害対応動的ネットワーク(LDNet)を提案する。 従来のU字型エンコーダ・デコーダ構造であり、動的カーネル生成と更新スキームが組み込まれている。 この単純だが効果的なスキームは、我々のモデルに強力なセグメンテーション性能と一般化能力を与える。
  論文  参考訳（メタデータ） (2023-01-12T09:53:57Z)
• BoxPolyp:Boost Generalized Polyp Segmentation Using Extra Coarse Bounding Box Annotations [79.17754846553866]
  我々は、正確なマスクと余分な粗いボックスアノテーションをフル活用するための強化されたBoxPolypモデルを提案する。 実際には、従来のポリプセグメンテーションモデルの過度に適合する問題を緩和するためにボックスアノテーションが適用される。 提案手法は従来の最先端手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-12-07T07:45:50Z)
• Polyp-PVT: Polyp Segmentation with Pyramid Vision Transformers [124.01928050651466]
  本稿では,Polyp-PVTと呼ばれる新しいタイプのPolypセグメンテーション手法を提案する。 提案モデルであるPolyp-PVTは,特徴の雑音を効果的に抑制し,その表現能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-08-16T07:09:06Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。