論文の概要: Simple, Safe, and Overlooked: Reclaiming Sustainable Domain Generalization with Statistical Color Matching

• arxiv url: http://arxiv.org/abs/2608.18915v1
• Date: Wed, 19 Aug 2026 13:47:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.408777
• Title: Simple, Safe, and Overlooked: Reclaiming Sustainable Domain Generalization with Statistical Color Matching
• Title（参考訳）: シンプルで安全で見過ごされる:統計的カラーマッチングによる持続可能なドメイン一般化の回復
• Abstract要約: Coloristは、RGBカラー空間に直接グローバル平均標準偏差マッチングを適用する、高効率なデータ拡張戦略である。 我々は、このトレーニング不要で完全に解釈可能なアプローチが、構造的に無傷なドメインの変動を安全に生成できることを実証した。 最先端のドメイン正規化器では最大で9%、未拡張のベースラインでは+13%の精度向上を実現している。
• 参考スコア（独自算出の注目度）: 6.260347944370044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hardware shifts, color variations, and changing patient characteristics between development and deployment routinely break trained medical image classifiers. Existing remedies fall short: standard color jittering provides insufficient diversity, while deep generative style transfer algorithms hallucinate features, destroy clinically relevant structures, and waste massive compute resources. To address this, we revisit classical statistical color matching and repurpose it as Colorist, a highly efficient data augmentation strategy that applies global mean-standard deviation matching directly in the RGB color space. We demonstrate that this training-free, fully interpretable approach safely generates structurally intact domain variations, outperforming deep generative models in structural fidelity and color alignment. Across out-of-distribution histopathology, peripheral blood, dermatology, and retinal datasets, it improves balanced accuracy by up to +9% over state-of-the-art domain generalization regularizers and by +13% over an unaugmented baseline. Moreover, by avoiding neural networks in the augmentation loop, Colorist preserves anatomical structure, minimizes carbon footprint, and integrates seamlessly into standard dataloaders. Together, these findings establish statistical matching as a safe, interpretable, yet overlooked alternative to deep architectures for clinical robustness. Source code is available at https://github.com/sdoerrich97/colorist.
• Abstract（参考訳）: ハードウェアシフト、色の変化、開発と展開の間の患者特性の変化は、定期的に訓練された医用画像分類器を破る。 標準的なカラージッタリングは多様性が不十分であるのに対して、深い生成スタイルの転送アルゴリズムは特徴を幻覚させ、臨床的に関係のある構造を破壊し、膨大な計算資源を浪費する。 そこで本研究では,RGB色空間において,グローバル平均偏差マッチングを直接適用する高効率なデータ拡張戦略であるColoristについて,古典的統計色マッチングを再検討する。 このトレーニングフリーで完全に解釈可能なアプローチは、構造的に無傷なドメインの変動を安全に生成し、構造的忠実度と色アライメントにおいて深い生成モデルよりも優れた性能を示す。 分布外組織学、末梢血、皮膚学、網膜のデータセット全体にわたって、最先端の領域一般化正規化器では最大で9%、未拡張のベースラインでは+13%の精度向上を実現している。 さらに、強化ループでニューラルネットワークを避けることで、Coloristは解剖学的構造を保存し、炭素フットプリントを最小化し、標準データローダにシームレスに統合する。 これらの知見は、統計的マッチングを、安全で解釈可能であるが、臨床的堅牢性のための深層建築の代替として見過ごされるものとして確立している。 ソースコードはhttps://github.com/sdoerrich97/colorist.comで入手できる。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Destroy Me: Automatic Artifact Generation for Histopathology Images [0.0]
  Destroy Meは、現実的なアーティファクト合成とロバストなデータ拡張のためのフレームワークである。 パッチでトレーニングされたモデルは、独立した実世界のデータセットのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-08-27T10:12:09Z)
• Human-AI Perceptual Alignment by Playing Hues and Cues [2.6369756143132634]
  Contrastive Vision-Language Models (CVLM) と人間の評価は、典型的には、きめ細かい意味と文化的ニュアンスを見渡す伝統的なベンチマークによって制約される。 本稿では,ボードゲームHues and Cuesのゲーミフィケーションされた離散色空間を活用する新しい評価フレームワークを提案する。 我々は、複数のアーキテクチャファミリおよび事前学習データセットにわたる162のモデルを評価し、それらのセマンティックカラーグラウンドを評価する。
  論文  参考訳（メタデータ） (2026-08-07T12:00:55Z)
• Beyond Morphology: Quantifying the Diagnostic Power of Color Features in Cancer Classification [1.8607003949195091]
  カラー特徴だけでバイナリ診断タスクにおいて高い性能が得られることを示す。 この性能は、悪性度に関連する大域的な色変化に起因する可能性が高い。 この研究は、単純で計算効率の良い色特徴が効果的な事前スクリーニングツールとして役立つことを示唆している。
  論文  参考訳（メタデータ） (2026-05-18T15:10:04Z)
• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• Segmentation-before-Staining Improves Structural Fidelity in Virtual IHC-to-Multiplex IF Translation [1.8848440735415501]
  多発性免疫蛍光(mIF)は、無傷組織構造内の複数のバイオマーカーの同時定量を可能にする。 仮想染色は、広く利用可能な光電化学(IHC)からmIFチャネルを合成することができるが、現在のトランスレータは、核形態を明示的に制限することなくピクセルレベルの忠実度を最適化する。 この研究は、事前訓練された核分割基礎モデルから連続セル確率マップを注入する、監督不要でアーキテクチャに依存しない条件付け戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-17T06:25:50Z)
• HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
  医用画像解析における双曲表現学習の総合的検証について述べる。 我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。 提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
  論文  参考訳（メタデータ） (2026-02-03T08:50:24Z)
• GI-NAS: Boosting Gradient Inversion Attacks Through Adaptive Neural Architecture Search [52.27057178618773]
  グラディエント・インバージョン・アタック (Gradient Inversion Attacks) は、Federated Learning (FL) システムの伝達勾配を反転させ、ローカルクライアントの機密データを再構築する。 勾配反転法の大半は明示的な事前知識に大きく依存しており、現実的なシナリオでは利用できないことが多い。 本稿では,ニューラルネットワークを適応的に探索し,ニューラルネットワークの背後にある暗黙の先行情報をキャプチャするニューラルアーキテクチャ探索(GI-NAS)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:29:43Z)
• Exploring Color Invariance through Image-Level Ensemble Learning [7.254270666779331]
  本研究ではランダムカラー消去という学習戦略を紹介する。 元の画像構造を乱すことなく、トレーニングデータの部分的又は完全な色情報を選択的に消去する。 このアプローチは、過剰適合のリスクを軽減し、色の変化を処理するモデルの能力を強化する。
  論文  参考訳（メタデータ） (2024-01-19T06:04:48Z)
• Color Equivariant Convolutional Networks [50.655443383582124]
  CNNは、偶然に記録された条件によって導入された色の変化の間にデータ不均衡がある場合、苦労する。 カラースペクトル間の形状特徴共有を可能にする新しいディープラーニングビルディングブロックであるカラー等変畳み込み(CEConvs)を提案する。 CEConvsの利点は、様々なタスクに対するダウンストリーム性能と、列車-テストの分散シフトを含む色の変化に対するロバスト性の改善である。
  論文  参考訳（メタデータ） (2023-10-30T09:18:49Z)
• RandStainNA: Learning Stain-Agnostic Features from Histology Slides by Bridging Stain Augmentation and Normalization [45.81689497433507]
  ステン正規化(SN)とステン強化(SA)という2つの提案が一般化誤差を低減するために注目されている。 この問題に対処するため、SNとSAを新しいRandStainNAスキームで統一する。 RandStainNAは、ステンレスに依存しないディープラーニングモデルをトレーニングするために、実行可能な範囲で可変ステンスタイルを制約する。
  論文  参考訳（メタデータ） (2022-06-25T16:43:59Z)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)

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。