論文の概要: Test Time Adaptation Methods for Point Cloud Registration in Laparoscopic Surgery

• arxiv url: http://arxiv.org/abs/2608.02883v1
• Date: Mon, 03 Aug 2026 21:11:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.948207
• Title: Test Time Adaptation Methods for Point Cloud Registration in Laparoscopic Surgery
• Title（参考訳）: 腹腔鏡下手術における点群登録のための試験時間適応法
• Abstract要約: 腹腔鏡下手術における3Dポイントクラウドの登録は,ビデオから再建した術中臓器と術前メッシュとの変換を推定する。 テスト時の適応はこのドメインシフトを減らすことができるが、既存のメソッドは主に、ログ、エントロピー、クラスプロトタイプ、または登録時に利用できないキャッシュメモリに依存している。 我々は3つのファミリからモデル、正規化、入力適応の3次元登録まで、最先端のTTA手法を分析し、修正する。
• 参考スコア（独自算出の注目度）: 18.559106652371813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 3D point cloud registration in laparoscopic surgery estimates the transformation between an intraoperative organ reconstructed from video and its preoperative mesh. Because ground-truth transformations are unavailable for real data, supervised networks are trained on synthetic organ pairs. At test time, real reconstructions differ from synthetic data and are noisy, sparse, and occluded, which degrades correspondence estimation. Test-time adaptation (TTA) can reduce this domain shift, but existing methods mainly rely on logits, entropy, class prototypes, or cache memories unavailable in registration. Registration also involves paired inputs with an asymmetric shift that primarily affects the intraoperative cloud. We analyse and modify state-of-the-art TTA methods from three families to 3D registration: model, normalization, and input adaptation. We analyze four representative approaches based on auxiliary-task model updates, backpropagation-free token purging, feature alignment, and layer-normalization calibration. We modify them to handle asymmetric shifts between preoperative and intraoperative point clouds and replace classification-based entropy objectives. Using a correspondence-based model trained on clean synthetic source data, we evaluate adaptation to corrupted synthetic and real target data on P2P and P2ILReg. For synthetic targets, we apply eight corruptions, including uniform noise and global density reduction, at five severity levels. All methods improve registration on P2P, whereas normalization adaptation degrades performance on P2ILReg. Considering the computational overhead of backpropagation-based adaptation, input adaptation is the most promising option for laparoscopic surgery, providing low inference latency and consistent error reductions across datasets. Code: https://github.com/ninaa-git/survey_pc_registration_tta
• Abstract（参考訳）: 腹腔鏡下手術における3Dポイントクラウドの登録は,ビデオから再建した術中臓器と術前メッシュとの変換を推定する。 地上構造変換は実際のデータでは利用できないため、教師付きネットワークは合成オルガン対に基づいて訓練される。 テスト時には、実際の再構成は合成データと異なり、ノイズ、スパース、閉塞性があり、対応推定を劣化させる。 テスト時間適応(TTA)はこのドメインシフトを減らすことができるが、既存のメソッドは主に、ログ、エントロピー、クラスプロトタイプ、または登録時に利用できないキャッシュメモリに依存している。 登録には、主に術中の雲に影響を与える非対称なシフトを持つペア入力も含まれる。 我々は3つのファミリからモデル、正規化、入力適応の3次元登録まで、最先端のTTA手法を分析し、修正する。 補助タスクモデル更新、バックプロパゲーションフリートークンパージ、特徴アライメント、層正規化キャリブレーションに基づく4つの代表的なアプローチを解析する。 術前および術中点群間の非対称なシフトに対処し,分類に基づくエントロピー目的に置き換える。 P2P と P2ILReg の合成および実ターゲットデータへの適応性を評価する。 合成ターゲットに対しては, 均一ノイズや大域密度低下を含む8つの汚職を5つの重度レベルに適用する。 全ての手法がP2Pの登録を改善する一方、正規化適応はP2ILRegの性能を低下させる。 バックプロパゲーションに基づく適応の計算オーバーヘッドを考慮すると、入力適応は腹腔鏡下手術において最も有望な選択肢であり、低推論レイテンシとデータセット間の一貫したエラー低減を提供する。 コード:https://github.com/ninaa-git/survey_pc_registration_tta

関連論文リスト

• Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data [73.19814469893088]
  デジタルツインと学習された世界モデルは、エンジニアリングシステムにおける人工知能(AI)モデルのトレーニングに利用可能な、少ない実際のデータセットを増大させる合成データを生成するために、ますます使われています。 本稿では,拡張データセットのトレーニングが真の,人口レベルのパフォーマンスを向上する一方で,実際のテストデータポイントを可能な限り少なく消費するかどうかを論じる。 合成データ分類タスク、DT支援無線パケットスケジューリングタスク、および無線マップ予測タスクにおいて、aeSFTは平均ベースのシーケンシャルテストよりもはるかに少ない実検サンプルを用いて有用な合成データを識別することを示す。
  論文  参考訳（メタデータ） (2026-08-28T07:05:38Z)
• Explanation Stability of Test-Time Adaptation in Computational Pathology: A Large-Scale Benchmark [9.401040751276776]
  テスト時間適応(TTA)は、未ラベルのターゲットデータにデプロイされたモデルを適用するための実践的な方法となっている。 ほとんどのTTA法は精度への影響で評価されるが、臨床利用はモデルの説明が適応後も信頼性が保たれるかどうかにも依存する。 本研究では,2つの病理組織学的指標であるCamelyon17とNCT CRC-HEのTTA下での安定性について検討した。
  論文  参考訳（メタデータ） (2026-08-07T10:13:02Z)
• Ordered Diffusion for 3D Human Registration [65.1333901549662]
  テンプレートと入力ポイントクラウドの間には、ユニークな地平の整合性が存在すると仮定して、歴史的に3Dの人間登録は回帰タスクとして扱われてきた。 本稿では,3次元拡散過程として登録を定式化するODinを提案する。 これを達成するため、ODinはグローバル、ローカル、および位置条件に依存し、各点を正しい位置に導く。
  論文  参考訳（メタデータ） (2026-08-06T09:39:54Z)
• Neural Organ Transplantation (NOT): Checkpoint-Based Modular Adaptation for Transformer Models [0.0]
  我々は、トレーニングされたトランスフォーマー層をドメイン適応のための再利用可能なチェックポイントとして機能させることができるモジュラー適応フレームワークであるNeural Organ Transplantation (NOT)を導入する。 事前訓練されたモデルから連続的なレイヤサブセット(ドナーオルガン)を抽出せず、ドメイン固有のデータで独立してトレーニングし、元のトレーニングデータにアクセスせずに互換性のあるモデルに移植可能なスタンドアロンのチェックポイントファイルとして保存する。
  論文  参考訳（メタデータ） (2026-01-20T04:10:57Z)
• APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds [14.348191795901101]
  空中レーザースキャン(ALS)ポイントクラウドセグメンテーションは、大規模3Dシーン理解の基本的な課題である。 Continuous Test-Time Adaptation (CTTA)は、ソース予測モデルを適用して、未ラベルのターゲットドメインを進化させるソリューションを提供する。 我々は,ALSポイントクラウドセマンティックセグメンテーションに適した最初のCTTA手法であるAPCoTTAを提案する。
  論文  参考訳（メタデータ） (2025-05-15T05:21:16Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
  ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。 本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
  学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。 我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。 提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
  論文  参考訳（メタデータ） (2023-06-26T13:32:09Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Biologically Plausible Training Mechanisms for Self-Supervised Learning in Deep Networks [14.685237010856953]
  我々は,深層ネットワークにおける自己教師付き学習(SSL)のための生物学的に妥当なトレーニング機構を開発する。 バックパゲーションの2つの選択肢のうちの1つを用いて学習を行うことができることを示す。
  論文  参考訳（メタデータ） (2021-09-30T12:56:57Z)

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。