論文の概要: JUMP-lite: Compact, reproducible benchmarking of cell representations
- arxiv url: http://arxiv.org/abs/2608.07632v1
- Date: Fri, 07 Aug 2026 14:08:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.465877
- Title: JUMP-lite: Compact, reproducible benchmarking of cell representations
- Title（参考訳）: JUMP-lite: 細胞表現のコンパクトで再現可能なベンチマーク
- Abstract要約: JUMPの116GBサブセットであるNahualとJUMP-liteは,表現型多様性を維持しつつ1000倍小さい。
古典的特徴(CellProfiler)やディープラーニングモデル(MorphEM, OpenPhenom, SubCell, DINOv2)を含む5つの表現法をベンチマークする。
JUMP-liteとNahualは共に、画像ベースの細胞表現のアクセス可能で再現可能なベンチマークの基礎を提供する。
- 参考スコア（独自算出の注目度）: 3.9636096046493936
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image-based profiling captures rich phenotypic signatures for drug discovery and functional genomics. Large public datasets like JUMP Cell Painting now provide millions of images for systematic study. However, the scale of these resources, 115 TB for JUMP alone, and fragmented evaluation practices make systematic comparison of representation methods intractable for many researchers. Here we present Nahual, an open-source framework for reproducible model deployment, and JUMP-lite, a curated 116 GB subset of JUMP that is 1000 times smaller while preserving phenotypic diversity through careful selection of perturbations with high-confidence annotations and a storage reduction via lossy JPEG XL compression. With these, we benchmark five representation methods, including classical features (CellProfiler) and deep learning models (MorphEM, OpenPhenom, SubCell, DINOv2), and demonstrate that compression preserves downstream signal while standardized phenotypic activity and consistency metrics reveal meaningful performance differences across methods. Together, JUMP-lite and Nahual provide a foundation for accessible, reproducible benchmarking of image-based cell representations.
- Abstract（参考訳）: 画像ベースのプロファイリングは、薬物発見と機能ゲノム学のための豊かな表現型シグネチャをキャプチャする。
JUMP Cell Paintingのような大規模な公開データセットは、体系的な研究のために数百万の画像を提供する。
しかし、これらのリソースの規模、JUMP単独では115TB、断片化評価プラクティスは、多くの研究者にとって、表現方法の体系的比較が困難である。
本稿では、再現可能なモデルデプロイメントのためのオープンソースのフレームワークであるNahualと、JUMPの116GBのキュレートされたサブセットであるJUMP-liteについて紹介する。
これらを用いて、古典的特徴(CellProfiler)やディープラーニングモデル(MorphEM、OpenPhenom、SubCell、DINOv2)を含む5つの表現手法をベンチマークし、圧縮が下流信号を保存する一方で、表現型アクティビティと一貫性メトリクスがメソッド間で有意義な性能差を示すことを示す。
JUMP-liteとNahualは共に、画像ベースの細胞表現のアクセス可能で再現可能なベンチマークの基礎を提供する。
関連論文リスト
- SODiff: Semantic-Oriented Diffusion Model for JPEG Compression Artifacts Removal [50.90827365790281]
SODiffはJPEGアーティファクト削除のためのセマンティック指向のワンステップ拡散モデルである。
我々の中核的な考え方は、効果的な復元ヒンジは、事前訓練された拡散モデルに対する意味指向的なガイダンスを提供することである。
SAIPEは、低品質(LQ)画像からリッチな特徴を抽出し、テキストエンコーダとセマンティックに整合した埋め込み空間に投影する。
論文 参考訳（メタデータ） (2025-08-10T13:48:07Z) - HPGN: Hybrid Priors-Guided Network for Compressed Low-Light Image Enhancement [73.39195340852964]
本稿では,圧縮前と照明前の両方を統合することで,圧縮後低照度画像を強化するハイブリッド事前誘導ネットワーク(HPGN)を提案する。
提案手法ではJPEG品質係数(QF)とDCT量子化行列をフル活用し,協調作業のための効率的なプラグアンドプレイモジュールの設計を指導する。
論文 参考訳（メタデータ） (2025-04-03T08:06:24Z) - Prompt-Based Exemplar Super-Compression and Regeneration for Class-Incremental Learning [21.136513495039242]
PESCRは,その量を大幅に増加させ,模範者の多様性を高める新しいアプローチである。
画像はビジュアルとテキストのプロンプトに圧縮され、元の画像の代わりに保存される。
PESCRは複数のベンチマークでCILのパフォーマンスを大幅に改善している。
論文 参考訳（メタデータ） (2023-11-30T05:59:31Z) - Coarse-to-Fine: Learning Compact Discriminative Representation for
Single-Stage Image Retrieval [11.696941841000985]
検索と参照のパラダイムに従う2段階の手法は優れた性能を達成しているが、それぞれのローカルモジュールとグローバルモジュールは現実世界のアプリケーションでは非効率である。
本稿では,重要な局所記述子を注意深く選択し,大域的な表現に微粒な意味関係を注入する機構を提案する。
提案手法は,Revisited OxfordやRevisited Parisなどのベンチマークを用いて,最先端の単一ステージ画像検索性能を実現する。
論文 参考訳（メタデータ） (2023-08-08T03:06:10Z) - Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。
ストレージの要求が大きいため、一般ユーザからは広く採用されていない。
本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T06:59:07Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Raw Image Reconstruction with Learned Compact Metadata [61.62454853089346]
本稿では,メタデータとしての潜在空間におけるコンパクトな表現をエンドツーエンドで学習するための新しいフレームワークを提案する。
提案する生画像圧縮方式は,グローバルな視点から重要な画像領域に適応的により多くのビットを割り当てることができることを示す。
論文 参考訳（メタデータ） (2023-02-25T05:29:45Z) - Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。
提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
論文 参考訳（メタデータ） (2022-04-26T01:35:02Z) - Cross-Modality Sub-Image Retrieval using Contrastive Multimodal Image
Representations [3.3754780158324564]
異なるモダリティによってキャプチャされた類似(または同じ)コンテンツのイメージは、共通の構造をほとんど共有しないため、モダリティ間の画像検索は困難である。
本稿では,モダリティ間の逆(サブ)画像検索のためのアプリケーション非依存のコンテンツベース画像検索システムを提案する。
論文 参考訳（メタデータ） (2022-01-10T19:04:28Z) - Reconciliation of Statistical and Spatial Sparsity For Robust Image and
Image-Set Classification [27.319334479994787]
分類のための画像や画像セットデータをモデル化するために,textitJ3Sと呼ばれる新しい統計空間スパース表現を提案する。
本稿では,J3Sモデルに基づく結合スパース符号化問題の解法を提案する。
実験の結果,提案手法はFMD, UIUC, ETH-80, YTCデータベース上での競合手法よりも高い性能を示した。
論文 参考訳（メタデータ） (2021-06-01T06:33:24Z) - Multiclass non-Adversarial Image Synthesis, with Application to
Classification from Very Small Sample [6.243995448840211]
我々は、新しい非逆生成法 - LA(Clustered Optimization of LAtent space)を提案する。
本手法は,全データレギュレーションにおいて,教師なしの多様なマルチクラス画像を生成することができる。
ラベル付き画像の小さなサンプルのみが、追加のラベル付きデータにアクセスせずにトレーニングできる小データ体制では、同じ量のデータでトレーニングされた最先端のGANモデルを上回る結果が得られる。
論文 参考訳（メタデータ） (2020-11-25T18:47:27Z)
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。