論文の概要: Steer the Sampling, Not the Kernel Grid: Geometry-Guided Sampling Operator for Volumetric Segmentation

• arxiv url: http://arxiv.org/abs/2608.25819v1
• Date: Wed, 26 Aug 2026 14:01:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.852167
• Title: Steer the Sampling, Not the Kernel Grid: Geometry-Guided Sampling Operator for Volumetric Segmentation
• Title（参考訳）: カーネルグリッドではなくサンプリングのステア:体積分割のための幾何学誘導サンプリング演算子
• Abstract要約: 畳み込みカーネルを変形させるのではなく,特徴をどこにサンプリングするかを制御できる幾何誘導型局所演算子を提案する。 各ボクセルでは、これらの方向に沿って対称にサンプルする、局所的な向きと有界なステップサイズを予測する。 ストライド1とストライド2を3D U-Netで置き換えると、BraTS、MSD肝血管、TDSC-ABUSが一貫した改善がなされる。
• 参考スコア（独自算出の注目度）: 9.411407984734854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate 3D segmentation is central to quantitative lesion assessment and anatomy mapping for clinical planning and follow-up. Thin, elongated, and fine anatomical/pathological structures (e.g., vessels) are a particularly challenging case: a one-voxel boundary error can disconnect a branch and change clinically relevant topology. In encoder-decoder networks (e.g., U-Net), repeated downsampling and fixed-grid convolution blur or alias fine structures and weaken orientation cues, so early mistakes propagate across scales. We propose a geometry-guided local operator that steers where features are sampled, rather than deforming convolutional kernels, under a single formulation for both feature refinement (stride 1) and resolution reduction (stride > 1). At each voxel, it predicts a local orientation and bounded step sizes, samples symmetrically along these directions, and transforms paired samples into compact geometric and boundary cues with lightweight mixing; a cross-scale consensus aligns encoder and decoder features at skip connections to reduce geometric mismatch. Replacing all stride 1 and stride 2 operators in a 3D U-Net yields consistent improvements on BraTS, MSD Hepatic Vessel, and TDSC-ABUS, with notably better boundary metrics (e.g., BraTS Dice 86.1 to 88.9, HD95 7.1 to 6.2; TDSC-ABUS HD95 39.1 to 27.8) while reducing parameters from 2.3M to 0.8M. We further demonstrate that the operator can be integrated into other backbones (e.g., nnU-Net, Swin-UNETR, and MedNeXt) without changing their macro-architectures while providing consistent performance gains.
• Abstract（参考訳）: 正確な3Dセグメンテーションは、臨床計画と追跡のための定量的病変評価と解剖学的マッピングの中心である。 細長く、細い解剖学的/病理学的構造(例えば血管)は特に困難なケースである: 1ボクセル境界誤差は枝を切断し、臨床的に関係のあるトポロジーを変化させることができる。 エンコーダ・デコーダネットワーク(例:U-Net)では、ダウンサンプリングと固定グリッドの畳み込みを繰り返すか、あるいは微細な構造をエイリアスするので、初期ミスはスケールにわたって伝播する。 本稿では,特徴分級化(ストライド1)と分解還元(ストライド>1)の2つの単一の定式化の下で,畳み込みカーネルを変形させるのではなく,特徴分をどこにサンプリングするかを判断する幾何学誘導型局所作用素を提案する。 それぞれのボクセルにおいて、局所的な向きと有界なステップサイズを予測し、これらの方向に沿って対称にサンプルをサンプリングし、ペア化されたサンプルをコンパクトな幾何学的および境界的なキューに軽量な混合で変換する。 3D U-Netで全てのストライド1とストライド2演算子をリプレースすることで、BraTS、MSD肝血管、TDSC-ABUSが一貫した改善が得られ、より優れた境界値(例えば、BraTS Dice 86.1から88.9、HD95 7.1から6.2、TDSC-ABUS HD95 39.1から27.8)とパラメータを2.3Mから0.8Mに減らした。 さらに,演算子を他のバックボーン(nnU-Net,Swin-UNETR,MedNeXt)に統合できることを示す。

関連論文リスト

• MANGO-Grasp: Mahalanobis Fields over Geometry-Oriented 3D Gaussians for Cross-Embodiment Dexterous Grasping [82.63833405368159]
  クロス・エボディメント・デキスタラス・グルーピングは、異種多指ハンド間の安定したグルーピングを、エンボディメント固有のチューニングをほとんど、あるいは全く行わずに合成することを目的としている。 物体を幾何学指向の3Dガウスプリミティブとして、ロボットハンドをモルフォキネマティックな記述子に符号化した表面キーポイントとして表現する異方性相互作用フレームワークであるMANGO-Graspを提案する。
  論文  参考訳（メタデータ） (2026-08-03T10:12:15Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models [24.834339924064505]
  3次元医用画像における高密度予測タスクのためのボクセル・ワイド・フレームワークを提案する。 本フレームワークは,高密度特徴のスパース1-スケルトン幾何グラフと意味ラベルとのアライメントから,転送可能性を直接推定する。 本フレームワークは,平均重み付きケンドール(0.36)を56倍の速度で評価しながら,最先端の転写性評価を実現する。
  論文  参考訳（メタデータ） (2026-07-05T09:45:18Z)
• GeoRouteNet: Geometry-Enhanced Non-Autoregressive Neural Solver for the Traveling Salesman Problem [5.202950948929751]
  GeoRouteNetはユークリッド旅行セールスマン問題(TSP)のための幾何学強化ニューラルネットワークである モデル側では、GeoRouteNetには、中心ノード機能、学習可能なラジアル距離基底関数、距離対応グラフアテンション、LayerNorm-SwiGLUフィードフォワードブロック、層間減衰残エンコーダミキシングが組み込まれている。 トレーニング側では,インスタンス毎に複数の候補ツアーを抽出するマルチ候補自己比較強化学習(MCS-RL)を設計する。
  論文  参考訳（メタデータ） (2026-06-22T02:31:22Z)
• Bridging the Geometry Mismatch: Frequency-Aware Anisotropic Serialization for Thin-Structure SSMs [6.490344405865677]
  FGOS-Netは周波数許容型幾何学的歪みに基づくフレームワークである。 4つの挑戦的なベンチマークで、一貫して強力なベースラインを上回ります。 91.3% mIoUと97.1% clDiceをDeepCrackで達成し、80 FPSで7.87 GFLOPしか走らない。
  論文  参考訳（メタデータ） (2026-03-30T14:39:04Z)
• Geometry OR Tracker: Universal Geometric Operating Room Tracking [61.399734016038614]
  手術室(OR)では、世界規模のマルチビュー3Dトラッキングは、外科医の行動認識のような下流のアプリケーションをサポートする。 カメラのキャリブレーションとRGB-Dの登録は常に信頼性が低く、幾何学的不整合が生じる。 我々は、不正確なキャリブレーションをスケール一貫性と幾何学的に整合したカメラ設定に修正する2段階パイプラインであるGeometry OR Trackerを紹介する。
  論文  参考訳（メタデータ） (2026-02-28T09:21:21Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• Anatomy Aware Cascade Network: Bridging Epistemic Uncertainty and Geometric Manifold for 3D Tooth Segmentation [13.650721192161079]
  境界のあいまいさを解消し,グローバルな構造的整合性を維持するために,AACNet(Anatomy Aware Cascade Network)を提案する。 AACNetは90.17 %のDice類似度係数と95%のHausdorff Distanceの3.63 mmを実現し,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-01-12T12:53:27Z)
• Urban 3D Change Detection Using LiDAR Sensor for HD Map Maintenance and Smart Mobility [26.712098856567888]
  都市規模LiDARのための物体中心型不確実性認識パイプラインを提案する。 これはエポックを多分解能NDTと整列し、次に点対平面ICP、高さを正規化し、位置検出レベルを導出する。 15代表のスービアコでは95.2%の精度、90.4%のmF1、82.6%のmIoUがトリプルトKPConvを超える精度、0.2のmF1、0.8のmIoUがブロックされ、IoUが74.8%に達し、7.6ポイント改善された。
  論文  参考訳（メタデータ） (2025-10-24T02:59:55Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)

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。