論文の概要: Implicit representations are dead. Long live explicit primitives!

• arxiv url: http://arxiv.org/abs/2608.10001v1
• Date: Fri, 07 Aug 2026 15:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.750089
• Title: Implicit representations are dead. Long live explicit primitives!
• Title（参考訳）: 暗黙の表現は死んだ。長く生きた明示的なプリミティブ!
• Abstract要約: 命令表現は、大きな計算コスト、大きなメモリ要件、広範囲な最適化時間をもたらす。 明示的プリミティブは、暗黙的ニューラルパラダイムの下でできることを超えて、魅力的な数学的特性を提供することを示す。 実験により,ガウス表現は暗黙の手法に比べて常に再現の指標と一致するか上回っていることが示された。
• 参考スコア（独自算出の注目度）: 19.0433186406648
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Continuous parameterization of medical data has emerged as a powerful paradigm for resolution-independent image representation. While Implicit Neural Representations offer high fidelity and compact storage, their reliance on global Multi-Layer Perceptrons incurs sizeable computational costs, large memory requirements, and extensive optimization times. As medical imaging trends towards ever-more detailed, high-resolution volumes, these costs impose significant bottlenecks in the applicability of implicit approaches. Recently, explicit Gaussian-based primitives have revolutionized the representation learning paradigm by trading deep network evaluations for localized, rasterization-friendly primitives. In this paper, we present a comprehensive, cross-dimensional evaluation of Gaussian representations against implicit approaches for medical imaging applications. First, we outline a theoretical overview on the mathematical properties offered by explicit primitives beyond what is capable under the implicit neural paradigm. Subsequently, we benchmark the computational performance on two demanding image datasets: 2D microscopy histology and 3D lung Computed Tomography (CT). Our experiments demonstrate that Gaussian representations consistently match or surpass reconstruction metrics compared to implicit methods across all compression factors, while displaying significantly lower optimization times, and memory requirements. Together with the compelling mathematical properties offered by explicit primitives, these findings motivate the wider adoption of Gaussian representations and position them as an attractive direction for future research in medical imaging.
• Abstract（参考訳）: 医用データの連続パラメータ化は、解像度に依存しない画像表現の強力なパラダイムとして登場した。 Implicit Neural Representationsは、高い忠実度とコンパクトなストレージを提供するが、グローバルなマルチ層パーセプトロンへの依存は、計算コスト、大きなメモリ要件、広範囲な最適化時間を引き起こす。 医用画像の高解像度化が進むにつれて、これらのコストは暗黙のアプローチの適用性において重大なボトルネックとなる。 近年,局所的でラスタライズフレンドリーなプリミティブに対するディープネットワーク評価を取引することで,表現学習パラダイムに革命をもたらした。 本稿では,医用画像への暗黙的アプローチに対するガウス表現の包括的,多次元的評価について述べる。 まず、暗黙的神経パラダイムの下でできることを超えて、明示的プリミティブによって提供される数学的性質に関する理論的概要を概説する。 次に,2次元顕微鏡組織学とCT(3D lung Computed Tomography)の2つの要求画像データセットを用いて,計算性能のベンチマークを行った。 提案実験により, ガウス表現は圧縮係数全体の暗黙的手法と比較し, 最適化時間やメモリ要求を著しく低減し, 再現度を一定に上回ることを示した。 これらの発見は、明示的な原始主義者によって提供される魅力的な数学的性質とともに、ガウス表現のより広範な採用を動機付け、将来の医学画像研究の魅力的な方向として位置づけている。

関連論文リスト

• COGENT: Counterfactual Gaussian Explanations for Volumetric Medical Images [10.84516068025961]
  本稿では,3次元表現のパラメータ空間に直接反実的説明を生成するフレームワークであるCOGENTを提案する。 肺CT検査におけるCOGENTを,既存の説明可能性法と定量的に比較検討した。
  論文  参考訳（メタデータ） (2026-08-11T20:40:45Z)
• InfoNCE Induces Gaussian Distribution [7.8922077372145685]
  対照的なトレーニングの損失はInfoNCEとその変種である。 我々は、InfoNCEの目的が、対照的な訓練から現れる表現においてガウス構造を誘導することを示す。 ガウスモデルにより、学習された表現の原理的な分析処理が可能となり、コントラスト学習における幅広い応用を支援することが期待されている。
  論文  参考訳（メタデータ） (2026-02-27T13:35:58Z)
• Fast and Explicit: Slice-to-Volume Reconstruction via 3D Gaussian Primitives with Analytic Point Spread Function Modeling [16.058575857567373]
  脳の高分解能3D再構成は、運動崩壊した低分解能2D取得から、正確な神経発達診断の必要条件である。 本研究では,ニューラルネットワークに基づく表現から明示的な表現へのシフトを提案する。 本研究の枠組みは, リアルタイム3次元MRIの臨床的ルーチンへの転換の道筋をたどるものである。
  論文  参考訳（メタデータ） (2025-12-12T15:01:30Z)
• EigenGS Representation: From Eigenspace to Gaussian Image Space [20.454762899389358]
  EigenGSは、固有空間と画像空間のガウス表現を接続する効率的な変換パイプラインである。 EigenGSは直接2次元ガウスフィッティングよりも優れた再現性が得られることを示す。 結果は,様々な解像度と多様なカテゴリを持つ画像に対して,EigenGSの有効性と一般化能力を強調した。
  論文  参考訳（メタデータ） (2025-03-10T15:27:03Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Image-GS: Content-Adaptive Image Representation via 2D Gaussians [52.598772767324036]
  本稿では,2次元ガウス放射率に基づくコンテンツ適応型画像表現であるImage-GSを紹介する。 リアルタイム使用のためにハードウェアフレンドリーな高速アクセスをサポートし、ピクセルをデコードするためには0.3KのMACしか必要としない。 テクスチャ圧縮、セマンティクス対応圧縮、共同画像圧縮と復元など、いくつかのアプリケーションでその汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-02T00:45:21Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Representation Disentanglement for Multi-modal MR Analysis [15.498244253687337]
  近年の研究では、マルチモーダルディープラーニング分析は、画像から解剖学的(形状)およびモダリティ(外観)表現を明示的に切り離すことから恩恵を受けることができることが示唆されている。 対象とモダリティをまたいだ表現の類似性関係を正規化するマージン損失を提案する。 頑健なトレーニングを実現するため,全てのモダリティの画像を符号化する単一モデルの設計のために条件付き畳み込みを導入する。
  論文  参考訳（メタデータ） (2021-02-23T02:08:38Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。