論文の概要: KANResDiff: Learning Local Residual Diffusion via Kolmogorov-Arnold Network for Ambiguous Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2608.11617v1
• Date: Wed, 12 Aug 2026 03:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.444754
• Title: KANResDiff: Learning Local Residual Diffusion via Kolmogorov-Arnold Network for Ambiguous Medical Image Segmentation
• Title（参考訳）: KanResDiff:Kolmogorov-Arnoldネットワークによる局所的残留拡散の学習
• Abstract要約: 我々はKanResDiffを提案し、Kolmogorov-Arnold Networkを用いて局所的残留拡散を学習する。 GEDとHM-IoUのSOTA性能は最大16.8%,HM-IoUは7.7%向上した。
• 参考スコア（独自算出の注目度）: 10.667399216244169
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ambiguous medical image segmentation aims to provide a series of diverse but plausible segmentation hypotheses. However, existing methods introduce stochasticity in a fixed and pre-defined manner, failing to form a progressive semantic modeling process. To address these challenges, we propose KANResDiff to learn local residual diffusion with Kolmogorov-Arnold Network, thereby assigning distinct roles across stages for ambiguity modeling. Specifically, we propose Independent Time Encoding that offers spline-based time embeddings instead of linear ones from MLPs, which enhances the independence across inference stages and assigns progressive semantic roles to different stages. We propose Residual Schrodinger Bridge that injects deterministic residual prior with learnable weights by constructing local Schrodinger Bridge instead of following manually settings, achieving a flexible deterministic-stochastic interaction and stage-aware ambiguity modeling thanks to local optimal diffusion path. Extensive experimental results on two public datasets demonstrate that KANResDiff achieves SOTA performance on GED and HM-IoU, with maximum improvements of 16.8% and 7.7%, respectively, while maintaining competitive performance on the MDM metric. Source code is available at https://github.com/PerceptionComputingLab/KANResDiff.
• Abstract（参考訳）: 曖昧な医用画像分割は、多種多様な、もっともらしいセグメンテーション仮説を提供することを目的としている。 しかし、既存の手法は確率性を固定的かつ事前定義された方法で導入し、プログレッシブ・セマンティック・モデリング・プロセスを形成するのに失敗する。 これらの課題に対処するため,我々はKanResDiffを提案する。KanResDiffはKolmogorov-Arnold Networkで局所的残差拡散を学習し,あいまいさモデリングの段階ごとに異なる役割を割り当てる。 具体的には,MLPからの線形ではなく,スプラインベースの時間埋め込みを提供する独立時間符号化を提案し,推論段階間の独立性を高め,各段階にプログレッシブな意味的役割を割り当てる。 本稿では,手動で設定する代わりに局所シュロディンガー橋を構築し,局所的最適拡散経路によるフレキシブルな決定論的・確率的相互作用と段階的曖昧性モデリングを実現することで,学習可能な重み付き決定論的残差を注入する残留シュロディンガー橋を提案する。 GEDとHM-IoUのSOTA性能は最大16.8%,HM-IoUは7.7%向上した。 ソースコードはhttps://github.com/PerceptionComputingLab/KANResDiffで入手できる。

関連論文リスト

• Stochastic Transition-Map Distillation for Fast Probabilistic Inference [14.377745343756485]
  拡散モデルは、強力な世代品質、多様性、分布範囲を達成するが、その性能には高価な推論が伴うことが多い。 本研究では,拡散モデル推論を高速化する教師レスフレームワークであるTransition-Map Distillation (STMD)を提案する。
  論文  参考訳（メタデータ） (2026-05-08T12:31:44Z)
• Continuous-Time Distribution Matching for Few-Step Diffusion Distillation [57.28746398500951]
  本稿では,CDM(Continuous-Time Distribution Matching)を導入し,DMDフレームワークを個別アンカーから連続最適化へ移行する。 まず、固定離散スケジュールをランダム長の動的連続スケジュールに置き換える。 第二に、学生の速度場を介して外挿された潜伏者に対してアクティブな軌道外マッチングを行う連続時間アライメント目的を提案する。
  論文  参考訳（メタデータ） (2026-05-07T14:56:39Z)
• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• Prior-Guided Residual Diffusion: Calibrated and Efficient Medical Image Segmentation [11.375625987308927]
  Prior-Guided Residual Diffusion (PGRD) は、ボクセルの分布を学習する拡散ベースのフレームワークである。 MRIおよびCTデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2025-09-01T10:13:15Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• LEAF: Latent Diffusion with Efficient Encoder Distillation for Aligned Features in Medical Image Segmentation [2.529281336118734]
  本稿では,潜伏拡散モデルに基づく医療画像分割モデルLEAFを提案する。 微調整の過程では,元のノイズ予測パターンをセグメントマップの直接予測に置き換える。 また, コンボリューション層の隠れ状態と, 変圧器を用いた視覚エンコーダの特徴とを一致させるために, 特徴蒸留法を用いる。
  論文  参考訳（メタデータ） (2025-07-24T09:08:04Z)
• Adapting Foundation Models for Few-Shot Medical Image Segmentation: Actively and Sequentially [4.65647362545504]
  FSDAにおける動的補助的データセット選択のためのフレームワークを提案する。 我々は、目標タスクと密接に一致した補助データセットのトレーニングを優先する効率的な報酬関数を導出する。 提案手法はMRIでは平均27.75%,CTでは7.52%,Diceでは平均27.75%であった。
  論文  参考訳（メタデータ） (2025-02-03T02:47:10Z)
• Improving Vector-Quantized Image Modeling with Latent Consistency-Matching Diffusion [55.185588994883226]
  VQ-LCMDは、学習を安定させる埋め込み空間内の連続空間潜在拡散フレームワークである。 VQ-LCMDは、関節埋め込み拡散変動下界と整合整合性(CM)損失を組み合わせた新しいトレーニング目標を使用する。 実験により,提案したVQ-LCMDは離散状態潜伏拡散モデルと比較して,FFHQ,LSUN教会,LSUNベッドルームにおいて優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-10-18T09:12:33Z)
• Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
  セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。 我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。 そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
  論文  参考訳（メタデータ） (2024-10-03T10:33:49Z)
• Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
  拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。 因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
  論文  参考訳（メタデータ） (2024-07-01T15:43:25Z)

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。