論文の概要: CSG-Mamba: A Convolutional Scoring Gating Vision State Space Network for Endoscopic Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2608.14146v1
• Date: Fri, 14 Aug 2026 09:54:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.345233
• Title: CSG-Mamba: A Convolutional Scoring Gating Vision State Space Network for Endoscopic Polyp Segmentation
• Title（参考訳）: CSG-Mamba:内視鏡ポリープ分割のための畳み込みゲーティング状態空間ネットワーク
• Abstract要約: 内視鏡ポリープ分割のための畳み込みゲーティング・ビジョン・ステート・スペース・ネットワークCSG-Mambaを提案する。 VM-UNetスタイルの非対称なU字型エンコーダデコーダ上に構築されたCSG-Mambaは、意味的にリッチなボトルネックにConvolutional Scoring Gating (CSG)モジュールを挿入する。 3つのランダムシードを用いた実験では、CSG-MambaはKvasir-SEGで0.9220Dice、15.87HD95、CVC-ColonDBで0.7418Dice、0.6570mIoUを達成した。
• 参考スコア（独自算出の注目度）: 3.6522511141448075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate polyp segmentation is critical for computer-aided colonoscopy, yet endoscopic images often contain low-contrast boundaries, mucosal texture interference, specular highlights, and device-dependent appearance shifts. Vision State Space Models (SSMs) provide efficient long-range modeling with linear complexity, but existing Vision Mamba segmentation models typically convert 2D features into 1D scanning sequences, which may weaken local geometric continuity and over-smooth irregular contours. We propose CSG-Mamba, a convolutional scoring gating Vision State Space network for endoscopic polyp segmentation. Built on a VM-UNet-style asymmetric U-shaped encoder-decoder, CSG-Mamba inserts a Convolutional Scoring Gating (CSG) module at the semantically rich bottleneck. CSG generates a local spatial score map through pointwise and large-kernel depthwise convolutions and recalibrates state-space features by multiplicative gating. Experiments with three random seeds show that CSG-Mamba achieves 0.9220 Dice and 15.87 HD95 on Kvasir-SEG, and 0.7418 Dice and 0.6570 mIoU on CVC-ColonDB, outperforming the baselines on most overlap and recall metrics while maintaining competitive boundary accuracy.
• Abstract（参考訳）: 正確なポリープ分割は、コンピュータ支援大腸内視鏡検査において重要であるが、内視鏡画像は、しばしば低コントラスト境界、粘膜のテクスチャ干渉、スペックルハイライト、デバイス依存の外観シフトを含む。 視覚状態空間モデル(SSM)は、線形複雑性を伴う効率的な長距離モデリングを提供するが、既存のビジョンマンバセグメンテーションモデルは通常、2次元特徴を1次元走査シーケンスに変換し、局所的な幾何学的連続性と過度な不規則な輪郭を弱める可能性がある。 内視鏡ポリープ分割のための畳み込みゲーティング・ビジョン・ステート・スペース・ネットワークCSG-Mambaを提案する。 VM-UNetスタイルの非対称なU字型エンコーダデコーダ上に構築されたCSG-Mambaは、意味的にリッチなボトルネックにConvolutional Scoring Gating (CSG)モジュールを挿入する。 CSGは,局所的な空間スコアマップを生成する。 3つのランダムシードを用いた実験の結果、CSG-MambaはKvasir-SEGで0.9220Dice、15.87HD95、CVC-ColonDBで0.7418Diceと0.6570mIoUを達成した。

関連論文リスト

• MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
  本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
  論文  参考訳（メタデータ） (2026-06-22T10:14:06Z)
• BiSegMamba: Efficient Bidirectional Tri-Oriented Mamba for 3D Medical Image Segmentation [6.344197178127241]
  本稿では,3次元医用画像分割のための3次元ネットワークであるBiSegMambaを提案する。 BiSegMambaは、血管、心臓、脳腫瘍、腹部の多臓器セグメンテーションタスクを一般化する。 SegMamba-V2と比較して、BiSegMambaはBraTS2023のパフォーマンスがわずかに向上し、ACDCと頸動脈データセットが明確になった。
  論文  参考訳（メタデータ） (2026-05-29T08:13:22Z)
• TopoMamba: Topology-Aware Scanning and Fusion for Segmenting Heterogeneous Medical Visual Media [36.26611641287451]
  TopoMambaは、異質な医用ビジュアルメディアをセグメント化するためのトポロジー対応のスキャン・アンド・フューズフレームワークである。 TopoMambaは、強力なCNN、Transformer、SSMベースラインよりもセグメンテーション品質を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-04-28T12:11:58Z)
• EndoCaver: Handling Fog, Blur and Glare in Endoscopic Images via Joint Deblurring-Segmentation [9.574713877383244]
  EndoCaverは、一方向誘導デュアルデコーダアーキテクチャを備えた軽量トランスフォーマーである。 画像のデブロアやセグメンテーションのためのジョイントマルチタスク機能を実現する。 デバイス上の臨床展開に適している。
  論文  参考訳（メタデータ） (2026-01-30T04:18:04Z)
• EAGLE: An Efficient Global Attention Lesion Segmentation Model for Hepatic Echinococcosis [31.698319244945793]
  本稿では,プログレッシブ・ビジュアル・ステート・スペース(PVSS)エンコーダとハイブリッド・ビジュアル・ステート・スペース(HVSS)デコーダからなるU字型ネットワークを提案する。 Dice similarity Coefficient (DSC) は89.76%で、MSVM-UNetを1.61%上回っている。
  論文  参考訳（メタデータ） (2025-06-25T11:42:05Z)
• UniMamba: Unified Spatial-Channel Representation Learning with Group-Efficient Mamba for LiDAR-based 3D Object Detection [53.785766442201094]
  LiDAR 3D検出の最近の進歩は、ポイントクラウド空間からグローバルな依存関係をキャプチャするTransformerベースのフレームワークの有効性を示している。 トランスフォーマーのかなりの数の3Dボクセルと二次的な複雑さのため、トランスフォーマーに供給する前に複数のシーケンスがグループ化され、受容野が制限される。 2次元視覚タスクの分野で達成された状態空間モデル(SSM)の印象的な性能に触発されて、我々は新しい統一マンバ(UniMamba)を提案する。 特に、UniMambaブロックは、主にローカリティモデリング、Zオーダーシリアライゼーション、局所グローバルシーケンシャルアグリゲータで構成されている。
  論文  参考訳（メタデータ） (2025-03-15T06:22:31Z)
• DAMamba: Vision State Space Model with Dynamic Adaptive Scan [51.81060691414399]
  状態空間モデル(SSM)は近年、コンピュータビジョンにおいて大きな注目を集めている。 スキャン順序と領域を適応的に割り当てるデータ駆動型動的適応スキャン(DAS)を提案する。 DASをベースとしたビジョンバックボーンDAMambaの提案は,現在のビジョンタスクにおけるMambaモデルよりもはるかに優れている。
  論文  参考訳（メタデータ） (2025-02-18T08:12:47Z)
• Parallel Sequence Modeling via Generalized Spatial Propagation Network [80.66202109995726]
  Generalized Spatial Propagation Network (GSPN)は、2次元空間構造を本質的にキャプチャする最適化された視覚タスクのための新しいアテンションメカニズムである。 GSPNは、空間的コヒーレントな画像データを直接操作し、ラインスキャンアプローチを通じて高密度なペアワイズ接続を形成することにより、制限を克服する。 GSPNは、ImageNet分類、クラス誘導画像生成、テキスト・ツー・イメージ生成などの視覚タスクにおいて、より優れた空間忠実性と最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:19Z)
• Rotate to Scan: UNet-like Mamba with Triplet SSM Module for Medical Image Segmentation [8.686237221268584]
  本稿では,新しいタイプの画像分割ネットワークとしてTriplet Mamba-UNetを提案する。 本モデルでは,従来のVM-UNetと比較してパラメータの3分の1の削減を実現している。
  論文  参考訳（メタデータ） (2024-03-26T13:40:18Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)

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。