Fugu-MT 論文翻訳(概要): EA-LiteUNet: An Edge-Adaptive and Resource-Efficient U-Net for Boundary-Sensitive Dermoscopic Image Segmentation

論文の概要: EA-LiteUNet: An Edge-Adaptive and Resource-Efficient U-Net for Boundary-Sensitive Dermoscopic Image Segmentation

arxiv url: http://arxiv.org/abs/2608.15537v1
Date: Sun, 16 Aug 2026 05:20:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.331859
Title: EA-LiteUNet: An Edge-Adaptive and Resource-Efficient U-Net for Boundary-Sensitive Dermoscopic Image Segmentation
Title（参考訳）: EA-LiteUNet:境界感性皮膚画像分割のためのエッジ適応型かつ資源効率の良いU-Net
Authors: Wang Jiangtao, Nur Intan Raihana Ruhaiyem, Fu Panpan, Yang Yu, Huang Yan,
Abstract要約: 境界感応性医用画像分割のためのエッジ適応型および計算効率の良いU-Net変種であるEA-LiteUNetを提案する。アーキテクチャは3つのコアメカニズムを統合している: 境界認識表現学習は、エイリアスを抑制し、高周波構造の詳細を保存する。 EA-LiteUNetが常に優れた境界精度を達成していることを示す。
参考スコア（独自算出の注目度）: 2.501994007862134
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate boundary delineation remains a persistent challenge in dermoscopic image segmentation because of blurred lesion margins, heterogeneous textures, and complex background artifacts. From a signal-processing perspective, lesion boundaries represent high-frequency components that are highly susceptible to aliasing, noise amplification, and information loss. Consequently, repeated downsampling and feature transformations in conventional convolutional architectures often lead to severely degraded boundary representations. To address these limitations, we propose EA-LiteUNet, an edge-adaptive and computationally efficient U-Net variant specifically designed for boundary-sensitive medical image segmentation. The architecture integrates three core mechanisms: (1) boundary-aware representation learning to suppress aliasing and preserve high-frequency structural details; (2) attention-guided feature modulation to selectively enhance boundary-relevant responses across multi-scale features; and (3) a resource-adaptive inference strategy to dynamically balance segmentation accuracy and computational efficiency. Extensive evaluations across three public dermoscopic datasets demonstrate that EA-LiteUNet consistently achieves superior boundary precision. Specifically, on the ISIC 2018 dataset, the method significantly reduces the 95% Hausdorff Distance (HD95) to 12.89 pixels while maintaining a robust Dice score of 92.08%. Notably, this strong performance is achieved with an ultralightweight configuration of merely 0.29M parameters and 1.17 GFLOPs. Ablation studies further validate the complementary effects of these components, confirming their contribution to enhanced boundary fidelity and stable optimization.
Abstract（参考訳）: 正確な境界線定位は、ぼやけた病変マージン、異質なテクスチャ、複雑な背景アーティファクトのため、皮膚内視鏡像のセグメンテーションにおいて永続的な課題である。信号処理の観点からは、損傷境界はエイリアス、ノイズ増幅、情報損失に非常に敏感な高周波成分を表す。結果として、従来の畳み込みアーキテクチャにおける繰り返しのダウンサンプリングと特徴変換は、しばしば高度に劣化した境界表現をもたらす。これらの制約に対処するために,境界感応性医用画像のセグメンテーションに特化して設計されたエッジ適応型で計算効率の良いU-Net変種であるEA-LiteUNetを提案する。このアーキテクチャは,(1)高頻度構造の詳細のエイリアス化と保存を抑える境界認識表現学習,(2)マルチスケール特徴間の境界関連応答を選択的に強化する注意誘導特徴変調,(3)セグメント化精度と計算効率を動的にバランスさせる資源適応推論戦略の3つのコアメカニズムを統合している。 EA-LiteUNetが常に優れた境界精度を達成していることを示す。具体的には、ISIC 2018データセットでは、95%のハウスドルフ距離(HD95)を12.89ピクセルに削減し、ロバストDiceスコアは92.08%を維持している。この強力な性能は、わずか0.29Mパラメータと1.17GFLOPの超軽量構成で達成されている。アブレーション研究はこれらの成分の相補効果をさらに検証し、拡張された境界忠実度と安定な最適化への寄与を確認した。

関連論文リスト

NG-GS: NeRF-Guided 3D Gaussian Splatting Segmentation [65.34304674634713]
3DGSにおける高品質なオブジェクトセグメンテーションのためのフレームワークであるNG-GSを導入する。本手法は, 境界mIoUにおいて, フォトリアリスティックな技術性能を実現し, 有意な利得が得られることを示す。
論文参考訳（メタデータ） (2026-04-16T07:14:07Z)
Geometry Reinforced Efficient Attention Tuning Equipped with Normals for Robust Stereo Matching [14.625772079623998]
Greatenは、表面正規化をドメイン不変、オブジェクト指向、および識別幾何学的手がかりとして組み込むフレームワークである。エラーをETH3Dで30%減らし、8.5%は非ラテンビアブースターで、14.1%はKITTI-2015で減少する。 Greaten-IGEVはGREAT-IGEVより19.2%高速で、ミドルベリーでの高分解能(3K)推論をサポートし、相違範囲は768までである。
論文参考訳（メタデータ） (2026-04-10T09:21:51Z)
Harnessing Lightweight Transformer with Contextual Synergic Enhancement for Efficient 3D Medical Image Segmentation [59.711744386226194]
モデル効率を実現するための軽量トランスであるLight-UNETRを提案する。 Light-UNETRは軽量次元減少(LIDR)モジュールを備えており、空間次元とチャネル次元を減少させる。また,変換器のデータ効率向上を目的としたCSE学習戦略も導入した。
論文参考訳（メタデータ） (2026-03-24T16:24:19Z)
ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文参考訳（メタデータ） (2026-02-10T20:44:43Z)
AURASeg: Attention Guided Upsampling with Residual Boundary-Assistive Refinement for Drivable-Area Segmentation [0.5729426778193399]
セマンティックセグメンテーションのための残留境界支援リファインメント(AURASeg)を用いたアテンションガイドアップサンプリングを提案する。提案手法は,mIoUとmIoUとmIoUとmIoUとmIoUとmIoUとmIoUとmIoUとmIoUとmIoUの2。
論文参考訳（メタデータ） (2025-10-24T15:01:18Z)
Multi-Sample Anti-Aliasing and Constrained Optimization for 3D Gaussian Splatting [6.336372495476242]
本稿では,マルチサンプル・アンチエイリアスと2つの幾何学的制約を組み合わせた総合最適化フレームワークを提案する。本システムでは,4重サブサンプルの適応ブレンディングにより画素色を計算し,高周波成分のエイリアスを効果的に低減する。本手法は,特に高周波テクスチャと鋭い不連続の保存において,詳細な保存における最先端性能を実現する。
論文参考訳（メタデータ） (2025-08-14T10:14:36Z)
CFMD: Dynamic Cross-layer Feature Fusion for Salient Object Detection [7.262250906929891]
クロス層機能ピラミッドネットワーク(CFPN)は,多層機能融合と境界詳細保存において顕著な進歩を遂げている。これらの課題に対処するために,CFMDという,2つの重要なイノベーションを取り入れた,新しいクロスレイヤ機能ピラミッドネットワークを提案する。まず,現在最先端のMambaアーキテクチャを組み込んで動的重み分布機構を構築するコンテキスト認識機能集約モジュール(CFLMA)を設計する。第2に,分解能回復時に空間的詳細を保存する適応動的アップサンプリングユニット(CFLMD)を導入する。
論文参考訳（メタデータ） (2025-04-02T03:22:36Z)
FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
論文参考訳（メタデータ） (2025-03-25T15:04:53Z)
COB-GS: Clear Object Boundaries in 3DGS Segmentation Based on Boundary-Adaptive Gaussian Splitting [67.03992455145325]
3D Gaussian Splatting(3DGS)に基づく3Dセグメンテーションは、オブジェクトの境界を正確に記述するのに苦労する。セグメンテーション精度の向上を目的とした3DGS(COB-GS)のためのクリアオブジェクト境界を導入する。意味指導には境界適応型ガウス分割法を導入する。視覚的最適化のために、3DGSシーンの劣化したテクスチャを補正する。
論文参考訳（メタデータ） (2025-03-25T08:31:43Z)
SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
論文参考訳（メタデータ） (2023-07-23T20:55:11Z)

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。