Fugu-MT 論文翻訳(概要): MaLViL: Multi-axis Low-rank Vision-LSTM for Medical Image Segmentation

論文の概要: MaLViL: Multi-axis Low-rank Vision-LSTM for Medical Image Segmentation

arxiv url: http://arxiv.org/abs/2608.17635v1
Date: Tue, 18 Aug 2026 10:54:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-19 21:40:53.311797
Title: MaLViL: Multi-axis Low-rank Vision-LSTM for Medical Image Segmentation
Title（参考訳）: MaLViL:医療画像分割のための多軸低ランクビジョン-LSTM
Abstract要約: Vision-LSTM (ViL) は効率的なグローバルモデリングを実現するが、そのコストは空間トークンの数とともにスケールする。マルチ軸低ランクビジョン-LSTMネットワークであるMaLViLを提案する。
参考スコア（独自算出の注目度）: 9.724737556526156
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vision-LSTM (ViL) enables efficient global modeling, but its cost still scales with the number of spatial tokens, so existing segmenters confine ViL to a coarse bottleneck and lose fine anatomical detail. Rasterizing 2D features into a 1D sequence further breaks adjacency across the orthogonal scan axis. We propose MaLViL, a Multi-axis Low-rank Vision-LSTM network that extends ViL across decoder resolutions. Bidirectional low-rank ViL (Bi-LRViL) reasons on a compact orthonormal subspace and preserves detail through an orthogonal residual; scale-aware SaLViL restores cross-axis neighbors before serialization; and a Cross-Directional Mixer (CDM) fuses orthogonal horizontal and vertical traversal paths. Statistics-Guided Skip Modulation (SGSM) further retains boundary cues in encoder skips. On skin-lesion, ultrasound, and multi-organ CT benchmarks, MaLViL achieves competitive or state-of-the-art segmentation accuracy, while reducing ViL operator memory by up to $83\times$ at fine decoder resolutions. Code is available at: https://github.com/xmindflow/malvil.
Abstract（参考訳）: Vision-LSTM (ViL) は効率的なグローバルモデリングを実現するが、そのコストは空間トークンの数とともにスケールするので、既存のセグメンタはViLを粗いボトルネックに閉じ込め、微細な解剖学的詳細を失う。 2D特徴を1D配列にラスタ化することで、直交走査軸を横切る隣接性をさらに損なう。マルチ軸低ランクビジョン-LSTMネットワークであるMaLViLを提案する。コンパクトな直交部分空間上の双方向低ランクViL (Bi-LRViL) の理由と、直交残差による詳細の保存、スケールアウェアのSaLViLは直交前に軸方向の隣人を復元、クロスディレクショナルミキサー (CDM) は直交水平方向と垂直方向の経路を融合する。 SGSM(Statistics-Guided Skip Modulation)は、エンコーダスキップにおけるバウンダリキューをさらに保持する。皮膚病変、超音波、マルチオーガニックCTのベンチマークでは、MLViLは競合または最先端のセグメンテーション精度を達成し、ViL演算子メモリを8,3\times$の微細デコーダ解像度で削減する。コードは、https://github.com/xmindflow/malvil.comで入手できる。

関連論文リスト

UltraViT: Latency-Optimized On-device Vision Encoder for Large Vision-Language Models [47.9122865431321]
本稿では,LVLM用ビジョンエンコーダであるUltraViTについて述べる。具体的には、デバイス上の実際のレイテンシを考慮して、異種空間ミキサーを戦略的に統合し適応するピラミッドアーキテクチャを設計する。我々は,UltraViTを事前訓練するために,高密度蒸留による豊かな空間特徴の育成と,キャパシティ混合冷凍LLMからの直接的生成管理という,新しい2段階の事前学習戦略を提案する。
論文参考訳（メタデータ） (2026-07-25T21:31:40Z)
Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文参考訳（メタデータ） (2026-05-30T14:29:43Z)
XAttnRes: Cross-Stage Attention Residuals for Medical Image Segmentation [7.618393856935408]
Cross-Stage Attention Residuals (XAttnRes)は、エンコーダとデコーダの両方の出力を蓄積したグローバルな機能履歴プールを維持するメカニズムである。 XAttnResは、4つのデータセットと3つのイメージングモードのパフォーマンスを一貫して改善する。
論文参考訳（メタデータ） (2026-03-28T15:40:57Z)
Multi-View Deformable Convolution Meets Visual Mamba for Coronary Artery Segmentation [0.0]
MDSVM-UNetは,新しい2段階冠動脈セグメンテーションフレームワークである。符号化段階では、変形可能な畳み込みモジュールであるMDSConvを導入する。復号段階では、RVMベースのアップサンプリングデコーダブロックを設計する。
論文参考訳（メタデータ） (2026-03-23T11:15:53Z)
OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
論文参考訳（メタデータ） (2026-02-18T00:42:41Z)
Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
論文参考訳（メタデータ） (2026-01-29T13:05:46Z)
LLaVA-UHD v3: Progressive Visual Compression for Efficient Native-Resolution Encoding in MLLMs [52.24096832965001]
提案するプログレッシブ・ビジュアル・圧縮(PVC)法を中心としたMLLMであるLLaVA-UHD v3を提案する。 PVC法は、視覚変換器(ViT)にシームレスに統合して、効率的なネイティブ解像度符号化を可能にする。 ViT-UHDをベースとしたLLaVA-UHD v3はQwen2-VLとの競合性能も達成し、TTFTを1.9倍削減した。
論文参考訳（メタデータ） (2025-11-26T08:11:10Z)
FaRMamba: Frequency-based learning and Reconstruction aided Mamba for Medical Segmentation [3.5790602918760586]
Vision Mambaは、グローバルな依存関係を効率的にモデル化するために、一次元の因果状態空間の再現を用いる。パッチトークン化と1Dシリアライゼーションは、局所的なピクセル隣接性を阻害し、ローパスフィルタリング効果を課す。 2つの相補的なモジュールを通してLHICDと2D-SSDを明示的に扱う新しい拡張であるFaRMambaを提案する。
論文参考訳（メタデータ） (2025-07-26T20:41:53Z)
LiVOS: Light Video Object Segmentation with Gated Linear Matching [116.58237547253935]
LiVOSはリニアアテンションによるリニアマッチングを利用する軽量メモリネットワークである。長くて高解像度のビデオでは、STMベースのメソッドと53%のGPUメモリで一致し、32Gの消費者向けGPU上で4096pの推論をサポートする。
論文参考訳（メタデータ） (2024-11-05T05:36:17Z)
xLSTM-UNet can be an Effective 2D & 3D Medical Image Segmentation Backbone with Vision-LSTM (ViL) better than its Mamba Counterpart [13.812935743270517]
医用画像セグメンテーションのバックボーンとしてVision-LSTM(xLSTM)を利用するUNet構造化ディープラーニングニューラルネットワークであるxLSTM-UNetを提案する。 xLSTMはLong Short-Term Memory (LSTM) ネットワークの後継として最近提案された。以上の結果から,XLSTM-UNetはCNNベース,Transformerベース,およびMambaベースセグメンテーションネットワークの性能を一貫して上回っていることがわかった。
論文参考訳（メタデータ） (2024-07-01T17:59:54Z)
Are Vision xLSTM Embedded UNet More Reliable in Medical 3D Image Segmentation? [3.1777394653936937]
本研究では,CNNとVision-xLSTM(Vision-xLSTM)の統合について検討する。 Vision-xLSTMブロックは、CNN特徴マップから抽出されたパッチ内の時間的およびグローバルな関係をキャプチャする。 U-VixLSTMは、公開データセットの最先端ネットワークよりも優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2024-06-24T08:01:05Z)

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。