論文の概要: SWITi: Quantifying and Reducing Tiling Artifacts with Sliding Window Inner Tiling

• arxiv url: http://arxiv.org/abs/2607.18990v1
• Date: Tue, 21 Jul 2026 11:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.412867
• Title: SWITi: Quantifying and Reducing Tiling Artifacts with Sliding Window Inner Tiling
• Title（参考訳）: SWITi:スライディングウインドウインナータイリングによるタイリングアーチファクトの定量化と低減
• Abstract要約: SWITiは、タイル付き予測におけるアーティファクトを減らすテストタイムメソッドである。 SWITiは縫合縫い目を大幅に減らし,再建精度と分解能を向上することを示した。
• 参考スコア（独自算出の注目度）: 6.528787700962801
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SWITi is a test-time method for reducing artifacts in tiled predictions, particularly for neural networks that learn posterior distributions from which solutions are sampled at inference time. Tiled predictions are unavoidable for large image data, and artifacts arise whenever tiles are smaller than a network's receptive field and when tiles are independent posterior samples. SWITi averages overlapping sliding-window predictions, so discrepancies between neighboring samples are spread across shifted tile positions rather than accumulating at fixed seam coordinates. For posterior models, SWITi uses no more tile samples than an MMSE estimate requires and therefore incurs no additional forward passes. Additionally, we introduce two reference-free metrics, the Fraction of Rejected Tests (FRT) and Artifact Severity (ASV), for detecting and quantifying tiling artifacts from a per-tile permutation test that compares the distribution of pixel gradients across tile seams against the surrounding image content. On pre-trained and published image splitting models across three fluorescence microscopy datasets in 2D and 3D, we show that SWITi substantially attenuates stitching seams while also improving reconstruction fidelity and resolution. Since tiling artifacts in posterior predictions can easily be mistaken for biological structures or for boundaries between biological structures, removing or reducing them using SWITi will improve the downstream processing of large image predictions, which is particularly relevant for biomedical data.
• Abstract（参考訳）: SWITiは、特に推論時に溶液がサンプリングされた後部分布を学習するニューラルネットワークにおいて、タイル付き予測のアーティファクトを減らすテストタイムメソッドである。 タイルによる予測は大きな画像データには避けられず、タイルがネットワークの受容領域よりも小さく、タイルが独立した後続サンプルであるときにアーチファクトが発生する。 SWITi はすべり風の予測に重なり合うので、隣接するサンプル間の差は、固定されたシーム座標で蓄積するのではなく、シフトしたタイル位置に分散する。 後部モデルでは、SWITiはMMSEの推定値以上のタイルサンプルを使用しないので、追加の前方通過は発生しない。 さらに, タイルシーム間の画素勾配の分布と周辺画像の内容とを比較したタイルごとの置換試験から, ティリングアーティファクトを検出し定量化するためのFRT(Fraction of Rejected Tests)とASV(Artifact Severity)の2つの基準フリー指標を導入する。 2次元および3次元の3つの蛍光顕微鏡データセットの事前学習および公開画像分割モデルにおいて,SWITiは縫合糸を著しく減衰し,再現率と分解能も向上することを示した。 後部予測におけるティリングアーティファクトは、生物学的構造や生物学的構造の境界について容易に誤認できるため、SWITiを用いてそれらを除去または除去することで、特に生体医学的データに関係のある大規模な画像予測の下流処理を改善することができる。

関連論文リスト

• Differentiable Jitter Correction using Deep Learning-based Image Quality Metric for Phase-Contrast Micro-CT [1.5163040007517543]
  本稿では,X線位相コントラストマイクロCTのためのジッタ補正法を提案する。 取得した投影データから直接、投射ごとの剛体ジッタを推定し、補償するディープラーニングベースの画像品質指標を使用する。 集積パイプラインはジッタによって失われた微細構造の詳細を確実に回収し、形態学的に異なるサンプル間で一般化を実証した。
  論文  参考訳（メタデータ） (2026-08-27T12:22:02Z)
• High-fidelity 3D multi-slab diffusion MRI using Slab-shifting for Harmonized 3D Acquisition and Reconstruction with Profile Encoding Networks (SHARPEN) [6.762183349768633]
  三次元3次元マルチスラブイメージングは高分解能生体内拡散MRI(dMRI)に期待できるアプローチである しかし、大きな課題は、非理想スラブ選択RF励起から生じるスラブ境界アーチファクトである。 非矩形スラブプロファイルはスラブ境界における信号強度を減少させる一方、隣接するスラブにまたがるプロファイルはスラブ間クロストークを導入する。 プロファイルネットワークを用いた高調波3次元取得と再構成のためのスラブプロファイル符号化とスラブシフト処理を構築した。
  論文  参考訳（メタデータ） (2026-02-06T20:03:25Z)
• Semi-Unsupervised Microscopy Segmentation with Fuzzy Logic and Spatial Statistics for Cross-Domain Analysis Using a GUI [3.5092739016434567]
  本研究では,画像のモダリティと画像タイプにまたがる1時間キャリブレーション支援の非教師なしフレームワークを導入することにより,低コストで軽量なアノテーションのないセグメンテーション手法を提案する。 このフレームワークは,局所平均からの空間標準偏差による背景決定を行う。不確実な画素はファジィ論理,累積2乗シフトの結節強度,統計的特徴,および余分な偏差校正によって解決される。
  論文  参考訳（メタデータ） (2025-08-21T21:44:53Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• Tiling artifacts and trade-offs of feature normalization in the segmentation of large biological images [4.325216877418699]
  本研究では,正規化問題を検出する指標を提案し,人工物フリーと高品質の予測のトレードオフを探究する。 BatchRenormは、ティリングアーティファクトを効果的に削除し、転送パフォーマンスを向上させる、最も適切な正規化戦略である。
  論文  参考訳（メタデータ） (2025-03-25T11:00:37Z)
• Fast and Accurate Gigapixel Pathological Image Classification with Hierarchical Distillation Multi-Instance Learning [51.525891360380285]
  HDMILは階層的な蒸留マルチインスタンス学習フレームワークであり、無関係なパッチを排除して高速かつ正確な分類を実現する。 HDMILは、動的マルチインスタンスネットワーク(DMIN)と軽量インスタンスプレスクリーンネットワーク(LIPN)の2つの重要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-02-28T15:10:07Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
  近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。 我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。 限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
  論文  参考訳（メタデータ） (2023-11-30T18:59:44Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。