論文の概要: P3CA: Encoder-Agnostic Interpretation of Vision Foundation Model Embeddings via Spatial Probing

• arxiv url: http://arxiv.org/abs/2608.10131v1
• Date: Mon, 10 Aug 2026 18:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.788004
• Title: P3CA: Encoder-Agnostic Interpretation of Vision Foundation Model Embeddings via Spatial Probing
• Title（参考訳）: P3CA:空間探索によるビジョンファウンデーションモデル埋め込みのエンコーダ非依存解釈
• Abstract要約: 位置プロンプテッドPCA (P3CA) は、チャネルリッチ空間テンソルの局所的な探査を行うエンコーダに依存しない方法である。 インタラクティブな3Dスライダベースのワークフローである EmbedVision に P3CA を実装し,それを自然画像,大腸病理基盤モデル埋め込み,空間転写テンソルで評価する。
• 参考スコア（独自算出の注目度）: 0.9329978164030672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision foundation models are increasingly used as reusable encoders in medical image computing, yet their high-dimensional spatial embeddings are difficult to inspect beyond downstream task performance or global dimensionality reduction. We propose position-prompted PCA (P3CA), an encoder-agnostic method for local probing of channel-rich spatial tensors. Given a user-selected spatial prompt, P3CA estimates the feature normalization and dominant covariance directions within that region, then applies the resulting projection to the full tensor to visualize where locally informative directions are expressed. This produces a region-conditioned representation lens without modifying the encoder, retraining, or requiring task-specific labels. We implement P3CA in EmbedVision, an interactive 3D Slicer-based workflow, and evaluate it across natural images, colorectal pathology foundation-model embeddings, and spatial transcriptomic tensors. Across these settings, prompted projections reveal local structure suppressed by global PCA, improve prompt-matched pathology discrimination from frozen three-dimensional projections, and support comparison between learned and measured spatial representations.
• Abstract（参考訳）: 医用画像処理における再利用可能なエンコーダとして,視覚基礎モデルの利用がますます進んでいるが,その高次元空間埋め込みは,下流のタスク性能や世界次元の低減以上の検査は困難である。 チャネルリッチな空間テンソルの局所探索のためのエンコーダに依存しないPCA(P3CA)を提案する。 ユーザが選択した空間的プロンプトが与えられた場合、P3CAはその領域内の特徴正規化と支配的共分散方向を推定し、その結果の投影をフルテンソルに適用して、局所的な情報的方向が表現される場所を視覚化する。 これにより、エンコーダを変更したり、リトレーニングしたり、タスク固有のラベルを必要とすることなく、領域条件の表現レンズを生成する。 インタラクティブな3Dスライダベースのワークフローである EmbedVision に P3CA を実装し,それを自然画像,大腸病理基盤モデル埋め込み,空間転写テンソルで評価する。 これらの設定全体にわたって、プロジェクションは、グローバルPCAによって抑制された局所構造を明らかにし、凍結した3次元プロジェクションからの即時マッチングされた病理診断を改善し、学習された空間表現と測定された空間表現の比較を支援する。

関連論文リスト

• Big, Bright, or Invisible: A Frozen-Feature Benchmark of 3D CT Foundation Models [30.102620002840904]
  3次元CT基礎モデルは、解剖学と病理学の一般化可能な表現を提供することで、日常的な解釈を支援することができる。 胸部CTスキャンの3コホートに10個の凍結CTエンコーダをベンチマークした。 評価状況によってランクが著しく変動するので、普遍的な最先端技術は見つからない。
  論文  参考訳（メタデータ） (2026-08-06T12:34:17Z)
• Rad-JEPA 3D: Radiology Joint-Embedding Predictive Model for 3D Computed Tomography [10.665332135327205]
  ボリュームCT表現を学習する共同埋め込み予測フレームワークであるRad-JEPA 3Dを紹介する。 中間表現の質を向上させるために,隠れ状態直交正規化(HSOR)を提案する。 HSORは、生徒と教師の隠れ状態を調整し、エンコーダ全体の特徴冗長性を減少させる。
  論文  参考訳（メタデータ） (2026-07-28T19:00:17Z)
• Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models [24.834339924064505]
  3次元医用画像における高密度予測タスクのためのボクセル・ワイド・フレームワークを提案する。 本フレームワークは,高密度特徴のスパース1-スケルトン幾何グラフと意味ラベルとのアライメントから,転送可能性を直接推定する。 本フレームワークは,平均重み付きケンドール(0.36)を56倍の速度で評価しながら,最先端の転写性評価を実現する。
  論文  参考訳（メタデータ） (2026-07-05T09:45:18Z)
• Benchmarking Pathology Foundation Models for Spatial Domain Understanding [12.450466280086184]
  本稿では,PFMにおける空間表現能力の診断を目的とした表現レベルベンチマークであるSpaPath-Benchを提案する。 SpaPath-Benchは、一対のスライド画像と空間転写学(ST)データを診断タスクとして空間領域同定する。 42の公開WSIおよびSTスライドをキュレートし、19のエンコーダと7つのSDIメソッドにわたる大規模な評価を可能にし、3つの相補的な基準を用いて分割品質を測定する。
  論文  参考訳（メタデータ） (2026-05-25T12:18:32Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• VEGA: Visual Encoder Grounding Alignment for Spatially-Aware Vision-Language-Action Models [55.12929235609365]
  現在の視覚言語アクション(VLA)モデルの視覚バックボーンは、主に3次元幾何学的監督を伴わない2次元画像データに事前訓練されている。 既存の暗黙の接地法は、VLA特徴を3D認識基盤モデルと整合させることによって、この問題に部分的に対処する。 DINOv2-FiT3D の空間認識機能と VLA の視覚エンコーダの出力を直接一致させるフレームワーク VEGA を提案する。
  論文  参考訳（メタデータ） (2026-05-11T12:44:26Z)
• Towards Foundation Models for 3D Scene Understanding: Instance-Aware Self-Supervised Learning for Point Clouds [53.82500407523346]
  PointINSは、幾何学的学習を通じてポイントクラウド表現を豊かにする、インスタンス指向の自己組織化フレームワークである。 PointINSは、屋内のインスタンスセグメンテーションで平均+3.5%のmAP改善、屋外のパン光学セグメンテーションで+4.1%のPQゲインを達成している。
  論文  参考訳（メタデータ） (2026-03-26T08:31:06Z)
• Preoperative-to-intraoperative Liver Registration for Laparoscopic Surgery via Latent-Grounded Correspondence Constraints [51.7011449975586]
  Land-Regは変形可能な登録フレームワークで、潜伏した2D-3Dのランドマーク対応を学習する。 厳格な登録のために、Land-Regはクロスモーダルラテントアライメントモジュールを採用している。 類似性マッチングを持つ不確実なオーバーラップランドマーク検出器を提案し, 明確な2D-3Dランドマーク対応を強く推定する。
  論文  参考訳（メタデータ） (2026-03-02T10:44:03Z)
• Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
  非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。 主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。 クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2026-02-23T14:33:24Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• TC-Net: Triple Context Network for Automated Stroke Lesion Segmentation [0.5482532589225552]
  本稿では,空間的コンテキスト情報を中心として,新たなネットワークである Triple Context Network (TC-Net) を提案する。 我々のネットワークはオープンデータセットATLASで評価され、最高スコアは0.594、ハウスドルフ距離は27.005mm、平均対称性表面距離は7.137mmである。
  論文  参考訳（メタデータ） (2022-02-28T11:12:16Z)

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。