論文の概要: Tokenizer Generator Coupling in Medical Image Generation

• arxiv url: http://arxiv.org/abs/2608.07713v1
• Date: Fri, 07 Aug 2026 18:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.483213
• Title: Tokenizer Generator Coupling in Medical Image Generation
• Title（参考訳）: 医用画像生成におけるトケナイザジェネレータの結合
• Abstract要約: 潜在医療画像生成装置は通常、トークン化剤を固定前処理として扱う。 我々は64x64のChestMNIST制御実験において,この分離が有効かどうかを検証した。 ランキングは トークンー、ジェネレータ、 サンプル装置に 左右される
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent medical image generators usually treat the tokenizer as fixed preprocessing. We test whether this separation is valid in a controlled ChestMNIST study at 64x64, crossing discrete tokenizers, generator families, and sampler settings under a shared latent grid, with continuous-latent reference cells. In this controlled setting, rankings depend jointly on the tokenizer, generator, and sampler: the best quantizer changes with the generator, and validation-based sampler selection changes the apparent generator ranking. We retrain the vocabulary-1024 interaction block at three seeds and the interaction survives (6 of 9 pairwise quantizer comparisons exceed three seed standard deviations), and we scope the wider single-seed grid accordingly. Reconstruction PSNR alone is not a reliable selection criterion; we instead introduce a generator-free statistic, neighbour-conditional predictive gain, that separates the quantizer families by downstream generation quality (rank-AUC 1.00) where reconstruction PSNR and marginal token entropy do not. On LFQ-1024, retuning D3PM and SE-D3PM (selected on a held-out validation split) moves them from default FID-192 0.44/0.41 to 0.09/0.10 at lower NFE, replicated across seeds; the continuous references were not given an equivalent sampler sweep. We report FID-192 as an internal ranking metric; it ranks consistently with standard FID-2048 (Spearman 0.80) and with a label-free classifier two-sample test (0.78). We interpret these results through a rate-distortion-modelability framing, where modelability is conditional on the generator, sampler, and inference budget. All experiments are at 64x64 on low-resolution medical-style images, unconditional, and evaluated with non-clinical FID-based metrics, and we scope every claim to that setting. Code: https://github.com/liamchalcroft/medtokenizers and https://github.com/liamchalcroft/medlatents.
• Abstract（参考訳）: 潜在医療画像生成装置は通常、トークン化剤を固定前処理として扱う。 この分離が64x64で制御されたChestMNIST研究において有効かどうかを検証する。 この制御された設定では、ランキングはトークン化器、ジェネレータ、サンプリング器に共同で依存し、最も良い定量化器はジェネレータで変化し、検証ベースのサンプリング器選択は明らかにジェネレータのランキングを変える。 我々は,3種の種子において語彙1024の相互作用ブロックをリトレーニングし,その相互作用は継続する(9対の定量化器比較は3つの種子標準偏差を超える)。 再構成PSNRのみは信頼性の高い選択基準ではなく、生成元のない統計的・近接条件予測ゲインを導入し、PSNRと限界トークンエントロピーが一致しない下流生成品質(rank-AUC 1.00)で量子化器群を分離する。 LFQ-1024では、D3PMとSE-D3PMを調整し、デフォルトのFID-192 0.44/0.41から0.09/0.10に移行した。 FID-192は、標準のFID-2048 (Spearman 0.80) と、ラベルなしの2サンプルテスト (0.78) と一貫してランク付けされている。 我々は、これらの結果を、モデル可能性がジェネレータ、サンプリング器、推論予算に条件づけられたレート歪み-モデル化可能性フレーミングを通じて解釈する。 実験はすべて64x64で、低解像度の医用画像で、無条件で、非クリニカルなFIDベースのメトリクスで評価されている。 コード:https://github.com/liamchalcroft/medtokenizersとhttps://github.com/liamchalcroft/medlatents。

関連論文リスト

• Frequency-Decorrelated Temporal Ensembles for EEG--fNIRS Imagined-Handwriting Decoding [5.096813697804564]
  Multimodal Brain-Computer Interface Grand Challenge(英語版)は、4種類の主観非依存手書き-軌道分類のための同期脳波とfNIRSを提供する。 我々は,3つの相補的な脳波の周波数ビューに基づいて,コンパクトなマルチスケール時間ネットワークを訓練するタスク適応型システムFREDを提案する。 モダリティ監査では、fNIRSのみの復号が偶然(全体の0.2511)、fNIRSをEEGに追加すると精度が0.0025に変化している。
  論文  参考訳（メタデータ） (2026-08-04T06:08:11Z)
• GenSyn10: A Multi-Generative AI Dataset For Benchmarking Image Classification [17.505968172455784]
  GenSyn10は、CIFAR-10に準拠した6万の画像(10クラス、32$times$32、50k/10kスプリット)の合成画像データセットである。 実データベースライン,ゼロショット転送,微調整,保持という4段階のプロトコルを用いて17の画像分類モデルを評価する。 測定可能なドメインギャップにもかかわらず、CIFAR-10で訓練されたモデルは、GenSyn10で96.86%のゼロショット精度を実現し、微調整後に99.88%まで上昇した。
  論文  参考訳（メタデータ） (2026-07-10T09:47:16Z)
• Representation Distribution Matching for One-Step Visual Generation [107.84208192304455]
  表現分布マッチング(Representation Distribution Matching, RDM)の設計空間の解明 2つの設計軸、分布がどのように比較され、それらの表現が比較されるかを特定し、それに沿って制御された研究によって3つの結果が得られた。 同じレシピは4ステップのFLUX.2[klein]を1ステップのジェネレータに後付けし、GenEvalの4ステップバージョンである0.826から0.794、PickScoreの22.76から22.58を90 H200 GPU時間で上回った。
  論文  参考訳（メタデータ） (2026-07-02T16:15:38Z)
• Aionoscope: Debugging Latent-State Accessibility in Time-Series Representations [59.34593956287438]
  Aionoscope(アイオノスコープ)は、凍結した時系列表現における潜在状態のアクセシビリティを検査するための診断ツールである。 アイオノスコープはプロセス生成を観察レンダリングから切り離し、正確な分類と密度のラベルを持つシード合成ストリームを生成する。
  論文  参考訳（メタデータ） (2026-07-01T13:54:20Z)
• The FID Lottery: Quantifying Hidden Randomness in Generative-Model Evaluation [55.62875959637507]
  本研究では,FIDを2軸パネル上のランダムな変数として扱う。 クラス条件の ImageNet 256x256 でトレーニングした数百の SiT ネットワーク上で,その分散を直接測定する。
  論文  参考訳（メタデータ） (2026-06-18T17:49:32Z)
• How Fragile Are Training-Free AI-Generated Image Detectors? A Controlled Audit of Score Direction, Preprocessing, and Compression [6.3999417080764225]
  オートエンコーダ・リコンストラクションスコア(AEROBLADE-style)とノイズ摂動特徴相似スコア(RIGID-style)の2つの代表的なトレーニングフリースコアを監査する。 監査は3つの注意深い結果をもたらす。
  論文  参考訳（メタデータ） (2026-06-18T17:05:51Z)
• A Controlled Benchmark of Quantum-Latent GAN Augmentation for Brain MRI [0.0]
  本稿では,脳MRIへの量子ジェネレータの寄与を抽出するベンチマークを提案する。 拡張のバリエーションは、実データのみのトレーニングよりも大幅に優れています。 医用画像における量子生成増強の厳密な評価のためのテストベッドとして,本プロトコルを公開する。
  論文  参考訳（メタデータ） (2026-06-17T11:54:17Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Deterministic Fuzzy Triage for Legal Compliance Classification and Evidence Retrieval [0.0]
  法律チームはますます、大量の契約上の証拠をトリアージするために機械学習を使用している。 多くのモデルは不透明で非決定論的であり、HIPAAやNERC-CIPのようなフレームワークと整合するのは難しい。 決定論的双対エンコーダと透明なファジィトリアージバンドに基づく簡単な再現可能な代替法について検討する。
  論文  参考訳（メタデータ） (2026-03-08T00:31:34Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Sampling-Decomposable Generative Adversarial Recommender [84.05894139540048]
  サンプル分解可能な生成逆数レコメンダ(SD-GAR)を提案する。 本フレームワークでは, 自己正規化重要度サンプリングにより, 生成元と最適値とのばらつきを補償する。 提案アルゴリズムを5つの実世界のレコメンデーションデータセットを用いて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-11-02T13:19:10Z)

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。