論文の概要: Coarse to Fine: Iterative Adversarial Neural Cellular Automata for Medical Image Synthesis

• arxiv url: http://arxiv.org/abs/2608.28909v1
• Date: Fri, 28 Aug 2026 22:16:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.782208
• Title: Coarse to Fine: Iterative Adversarial Neural Cellular Automata for Medical Image Synthesis
• Title（参考訳）: Coarse to Fine: 医用画像合成のための反復的対向神経細胞オートマタ
• Abstract要約: StyleGANCAは、軽量な汎用生成敵ネットワークである。 本稿では,StyleGANCAがベースラインアーキテクチャよりもパラメータが少なく,競合画像の品質を実現することを示す。
• 参考スコア（独自算出の注目度）: 0.9787044180368328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale, publicly available datasets have driven advances in deep learning, but privacy and legal restrictions often limit data sharing in medical imaging. Synthetic data generation offers a privacy-friendly alternative to enable the training of high-performance models on health data. While most state-of-the-art generative models produce high-quality images, they remain computationally expensive, which limits their applicability on resource-constrained hardware. We propose StyleGANCA, the first lightweight general-purpose NCA-based generative adversarial network. The architecture integrates a StyleGAN-inspired mapping network and adaptive style modulation into a multi-scale NCA synthesis process, enabling latent-controlled image generation through iterative local interactions. We evaluate StyleGANCA on BloodMNIST and PathMNIST against adversarial, variational, diffusion, and NCA-based baselines. Experimental results demonstrate that StyleGANCA achieves competitive image quality with substantially fewer parameters than baseline architectures, achieving the best FID and KID scores on PathMNIST with only 617k parameters. Furthermore, downstream experiments show that the generated images preserve class-specific information and effectively support the training of multi-class classifiers. Our code is publicly available at: https://github.com/MECLabTUDA/StyleGANCA
• Abstract（参考訳）: 大規模で一般公開されたデータセットは、ディープラーニングの進歩を促しているが、プライバシと法的制約によって、医療画像におけるデータの共有が制限されることが多い。 合成データ生成は、健康データ上で高性能モデルのトレーニングを可能にするために、プライバシフレンドリな代替手段を提供する。 ほとんどの最先端の生成モデルは高品質な画像を生成するが、計算コストは高く、リソース制約のあるハードウェアに適用性は制限される。 提案するStyleGANCAは,最初の軽量汎用NAAベース生成対向ネットワークである。 このアーキテクチャは、StyleGANにインスパイアされたマッピングネットワークと適応的なスタイル変調をマルチスケールのNAA合成プロセスに統合し、反復的な局所的相互作用を通じて遅延制御された画像生成を可能にする。 逆行性, 変動性, 拡散性, NCA ベースラインに対する BloodMNIST および PathMNIST の StyleGANCA の評価を行った。 実験により,StyleGANCAはベースラインアーキテクチャよりもかなり少ないパラメータで競合画像の品質を達成し,PathMNISTのFIDおよびKIDスコアを617kパラメータで達成した。 さらに、下流実験では、生成された画像がクラス固有の情報を保存し、マルチクラス分類器の訓練を効果的に支援していることが示されている。 私たちのコードは、https://github.com/MECLabTUDA/StyleGANCAで公開されています。

関連論文リスト

• Generalized Synthetic Image Detection with Enhanced RGB-Noise Representation Learning [33.97020349697987]
  本稿では,RGB-ノイズ表現学習によるロバスト検出を実現する新しい法医学フレームワーク RNSIDNet を提案する。 具体的には、注意修正されたCLIPバックボーンによって抽出されたグローバルRGBセマンティクスが、特徴量線形変調(FiLM)モジュールを介してベイア畳み込みによって捕捉される高周波ノイズアーティファクトを動的に変調するデュアルブランチアーキテクチャを用いる。 学習表現をさらに強化するため,我々は,Hard Sample-aware Contrastive Learning (HSCL) 戦略を設計する。
  論文  参考訳（メタデータ） (2026-07-07T14:52:22Z)
• ICG: Improving Cover Image Generation via MLLM-based Prompting and Personalized Preference Alignment [70.19758313256503]
  我々は、MLLMベースのプロンプトとパーソナライズされた嗜好アライメントを統合し、文脈に関連のあるカバーを生成するフレームワークであるICGを提案する。 ICGは、アイテムタイトルとメタトークンを介して参照画像からセマンティックな特徴を抽出し、ユーザ埋め込みによってそれらを洗練し、結果としてパーソナライズされたコンテキストを拡散モデルに注入する。 実験により、ICGは画像の品質、セマンティックな忠実度、パーソナライゼーションを著しく改善し、ユーザの魅力とオフラインレコメンデーションの精度が向上することが示された。
  論文  参考訳（メタデータ） (2026-04-08T06:36:54Z)
• A New One-Shot Federated Learning Framework for Medical Imaging Classification with Feature-Guided Rectified Flow and Knowledge Distillation [13.353672721534627]
  ワンショットフェデレートラーニング(OSFL)は,通信オーバーヘッドの低さから注目を集めている。 既存の生成モデルベースのOSFLメソッドは、トレーニング効率の低下と、医療領域における潜在的なプライバシー漏洩に悩まされている。 本稿では,新しいFG-RF(Feature-Guided Rectified Flow Model)とDLKD(Dual-Layer Knowledge Distillation)アグリゲーション手法を開発したOSFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-25T08:05:47Z)
• EndoGen: Conditional Autoregressive Endoscopic Video Generation [51.97720772069513]
  本研究では,最初の条件付き内視鏡映像生成フレームワークであるEndoGenを提案する。 具体的には、時空間グリッドフレームパターンを調整した自己回帰モデルを構築する。 高品質で条件付き内視鏡コンテンツ作成におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-07-23T10:32:20Z)
• Flow Matching for Medical Image Synthesis: Bridging the Gap Between Speed and Quality [1.0922645515457987]
  本稿では,画像生成を高速化する最適な輸送フローマッチング手法を提案する。 ソースとターゲットの分布のより直線的なマッピングを導入することにより,提案手法は推論時間を著しく短縮する。 本研究は, この枠組みの効率性と汎用性を実証し, 医用画像の応用に有望な進歩をもたらした。
  論文  参考訳（メタデータ） (2025-03-01T00:49:47Z)
• RATLIP: Generative Adversarial CLIP Text-to-Image Synthesis Based on Recurrent Affine Transformations [0.0]
  条件付きアフィン変換(CAT)は、画像中のコンテンツ合成を制御するために、GANの異なる層に適用されている。 まず、各レイヤがグローバル情報にアクセスできるようにするために、CATとRAT(Recurrent Neural Network)をモデル化する。 次に、リカレントニューラルネットワークにおける情報忘れの特性を軽減するために、RAT間のシャッフルアテンションを導入する。
  論文  参考訳（メタデータ） (2024-05-13T18:49:18Z)
• MoreStyle: Relax Low-frequency Constraint of Fourier-based Image Reconstruction in Generalizable Medical Image Segmentation [53.24011398381715]
  MoreStyleと呼ばれるデータ拡張のためのPlug-and-Playモジュールを紹介します。 MoreStyleは、フーリエ空間の低周波制約を緩和することで、イメージスタイルを多様化する。 敵対的学習の助けを借りて、MoreStyleは潜在機能の中で最も複雑なスタイルの組み合わせを指差している。
  論文  参考訳（メタデータ） (2024-03-18T11:38:47Z)
• Semi-supervised Medical Image Segmentation Method Based on Cross-pseudo Labeling Leveraging Strong and Weak Data Augmentation Strategies [2.8246591681333024]
  本稿では,Fixmatch の概念を革新的に取り入れた半教師付きモデル DFCPS を提案する。 整合性学習と自己学習を統合したクロス擬似スーパービジョンが導入された。 我々のモデルは、ラベルなしデータの比率が異なる4つの区分全てにおいて、常に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-17T13:07:44Z)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。 我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。 実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
  論文  参考訳（メタデータ） (2023-12-12T14:45:45Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)

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。