Fugu-MT 論文翻訳(概要): Gaussian Volumetric Representation for Efficient Shear-Warp Visualization

論文の概要: Gaussian Volumetric Representation for Efficient Shear-Warp Visualization

arxiv url: http://arxiv.org/abs/2607.25377v1
Date: Tue, 28 Jul 2026 07:32:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-29 20:50:42.7471
Title: Gaussian Volumetric Representation for Efficient Shear-Warp Visualization
Title（参考訳）: 効率的なせん断波可視化のためのガウス体積表現法
Abstract要約: 医用画像の可視化には、高いレンダリング速度を維持しながら解剖学的忠実性を維持するボリュームレンダリングアルゴリズムが必要である。本稿では,高密度医用ボリュームの効率的な可視化を目的としたガウス型ボリューム表現を提案する。我々はモンテカルロ体積推定を用いて提案した表現を最適化し、ボクセルのスパース部分集合のトレーニングを可能にする。
参考スコア（独自算出の注目度）: 0.6445605125467574
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Medical image visualization requires volumetric rendering algorithms that preserve anatomical fidelity while maintaining high rendering speeds. To address the high computational cost of large volumetric datasets, we propose a Gaussian-based volumetric representation for efficient visualization of dense medical volumes without compromising structural and radiometric details. We optimize the proposed representation using Monte Carlo volumetric estimation, which enables training on a highly sparse subset of voxels while maintaining consistency with the dense volumetric objective. In addition, we introduce a curriculum learning strategy that progressively incorporates structured slice-based sampling during training. Sparse voxel samples provide an early global coverage of the volume, while slice samples capture spatially correlated regions that aid geometric structure and texture continuity. This combination enables the Gaussian representation to learn anatomical details of various structures and corresponding textures from sparse supervision while significantly reducing the computational cost associated with dense voxel processing. The learned representation supports slice-based rendering methods such as shear-warp volume rendering, enabling efficient visualization of multimodal medical datasets including MRI and Cryosection volumes while preserving anatomical structures. Using sparse supervision, our method achieves up to 43.86 FPS rendering with a compression ratio of 11.31:1.
Abstract（参考訳）: 医用画像の可視化には、高いレンダリング速度を維持しながら解剖学的忠実性を維持するボリュームレンダリングアルゴリズムが必要である。大規模データセットの高計算コストに対処するため,高密度医用ボリュームの効率的な可視化のためのガウス型ボリューム表現を提案する。我々はモンテカルロ容積推定を用いて提案した表現を最適化し、密度の高い容積目標との整合性を維持しつつ、非常にスパースなボクセルのサブセットのトレーニングを可能にする。さらに,学習中に構造化スライスに基づくサンプリングを段階的に取り入れたカリキュラム学習戦略を導入する。スライスサンプルは、幾何学的構造とテクスチャの連続性を支援する空間的に相関した領域をキャプチャする。この組み合わせにより、ガウス表現は、密度の高いボクセル処理に関連する計算コストを大幅に削減しつつ、様々な構造とそれに対応するテクスチャの解剖学的詳細をスパース監視から学習することができる。学習された表現は、せん断ワープボリュームレンダリングのようなスライスベースのレンダリング方法をサポートし、解剖学的構造を保ちながら、MRIやCryosectionボリュームを含むマルチモーダル医療データセットの効率的な可視化を可能にする。本手法では, 圧縮率11.31:1で最大43.86FPSレンダリングを実現する。

関連論文リスト

VoxStruct3D: Structure-Leading Flow Matching for Voxel-Space 3D MRI Synthesis [33.836541706312055]
高忠実度3D MRI合成には、大域的なコヒーレントな解剖学と微細なボクセルレベルの詳細が必要である。フル解像度MRIボリュームを直接モデル化するボクセル空間フローマッチングフレームワークであるVoxStruct3Dを提案する。病理学的および健康的なT1強調脳MRIデータセットの実験では、VoxStruct3Dが全体的なパフォーマンスが最も高いことが示されている。
論文参考訳（メタデータ） (2026-08-05T07:51:35Z)
Structure-Adaptive Sparse Diffusion in Voxel Space for 3D Medical Image Enhancement [10.028882244604809]
3次元3D画像強調は,CT,PET,MRIの診断において重要である。そこで本研究では,一様サブサンプリングタイムステップのコンパクトなセット上で,サンプルをトレーニングし,サンプルをサンプル化する,スパースボクセル空間拡散フレームワークを提案する。我々のフレームワークは、圧縮を損なわずに微細な解剖学的詳細を保存しつつ、最大10倍のトレーニングアクセラレーションを実現している。
論文参考訳（メタデータ） (2026-04-20T03:52:49Z)
GaussianPile: A Unified Sparse Gaussian Splatting Framework for Slice-based Volumetric Reconstruction [12.711852675106124]
スライスに基づく体積像が広く応用され、分析のために内部構造を積極的に保存する表現が要求される。この課題に対処するために,GaussianPileを導入し,3Dガウススプラッティングを撮像システム対応フォーカスモデルと統合する。実際には、NeRFベースのアプローチよりも最大11倍高速で、3分で高品質な結果をもたらし、ボクセルグリッド上で一貫した16倍の圧縮を実現している。
論文参考訳（メタデータ） (2026-03-21T03:10:27Z)
AnatoMaskGAN: GNN-Driven Slice Feature Fusion and Noise Augmentation for Medical Semantic Image Synthesis [1.5295022700131624]
AnatoMaskGANはスライスに関連する空間的特徴を埋め込んで、スライス間のコンテキスト依存を正確に集約する。多様な画像拡張戦略を導入し、複雑な医用画像の性能向上のために、深い特徴学習を最適化する。
論文参考訳（メタデータ） (2025-08-15T10:19:38Z)
ClipGS: Clippable Gaussian Splatting for Interactive Cinematic Visualization of Volumetric Medical Data [51.095474325541794]
医用データのインタラクティブなシネマティック可視化のためのクリッピングプレーンを備えた革新的なガウススプレイティングフレームワークであるClipGSを紹介した。本手法を5つのボリューム医療データで検証し,平均36.635 PSNRレンダリング品質を156 FPS,16.1MBモデルサイズで達成した。
論文参考訳（メタデータ） (2025-07-09T08:24:28Z)
High-Fidelity and Generalizable Neural Surface Reconstruction with Sparse Feature Volumes [50.83282258807327]
一般化可能なニューラルサーフェス再構成は、シーンごとの最適化なしに、少数の画像から再構成するための魅力的な技術となっている。本稿では,メモリ効率を最大化し,標準ハードウェア上での高分解能再構成を可能にするスパース表現法を提案する。
論文参考訳（メタデータ） (2025-07-08T12:50:39Z)
Improving 3D Medical Image Segmentation at Boundary Regions using Local Self-attention and Global Volume Mixing [14.0825980706386]
ボリューム・メディカル・イメージ・セグメンテーションは、与えられた3次元ボリューム・メディカル・イメージをボクセルレベルの精度で正確に分類することを目的とする医用画像解析の基本的な問題である。本研究では,3次元医用画像セグメンテーションにおける局所的およびグローバルな依存関係を明示的に捉えることを目的とした,階層型エンコーダデコーダベースの新しいフレームワークを提案する。提案フレームワークは,局所的なボリュームベースの自己アテンションを利用して局所的な依存関係を高解像度でエンコードし,低解像度の特徴表現でグローバルな依存関係をキャプチャする新しいボリュームミキサを導入する。
論文参考訳（メタデータ） (2024-10-20T11:08:38Z)
Adaptive Shells for Efficient Neural Radiance Field Rendering [92.18962730460842]
本稿では, 表面および表面のレンダリングを円滑に遷移させるニューラル放射率の定式化を提案する。我々の手法は、非常に高い忠実度で効率的なレンダリングを可能にする。また,抽出したエンベロープは,アニメーションやシミュレーションなどの下流アプリケーションを可能にすることを示す。
論文参考訳（メタデータ） (2023-11-16T18:58:55Z)
ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文参考訳（メタデータ） (2023-07-26T07:45:14Z)
Deep Direct Volume Rendering: Learning Visual Feature Mappings From Exemplary Images [57.253447453301796]
本稿では,ディープ・ダイレクト・ボリューム・レンダリング(Deep Direct Volume Rendering,DVR)を導入し,ディープ・ニューラル・ネットワークをDVRアルゴリズムに統合する。潜在色空間におけるレンダリングを概念化し、深層アーキテクチャを用いて特徴抽出と分類のための暗黙マッピングを学習できるようにする。我々の一般化は、画像空間の例から直接エンドツーエンドにトレーニングできる新しいボリュームレンダリングアーキテクチャを導き出すのに役立つ。
論文参考訳（メタデータ） (2021-06-09T23:03:00Z)
Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文参考訳（メタデータ） (2021-04-05T21:44:00Z)
VC-Net: Deep Volume-Composition Networks for Segmentation and Visualization of Highly Sparse and Noisy Image Data [13.805816310795256]
本稿では,3次元微小血管のロバスト抽出のためのエンドツーエンド深層学習手法VC-Netを提案する。中心となる新規性は、ボリューム可視化技術(MIP)を自動利用して、3Dデータ探索を強化することである。マルチストリーム畳み込みニューラルネットワークは、それぞれ3次元体積と2次元MIPの特徴を学習し、その相互依存性を結合体積-合成埋め込み空間で探索するために提案される。
論文参考訳（メタデータ） (2020-09-14T04:15:02Z)

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。