論文の概要: Sharpening the Ensemble: An SSIM-Aligned Residual Refiner for Brain-MRI Inpainting Post-Processing
- arxiv url: http://arxiv.org/abs/2609.03981v1
- Date: Thu, 03 Sep 2026 15:13:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.128814
- Title: Sharpening the Ensemble: An SSIM-Aligned Residual Refiner for Brain-MRI Inpainting Post-Processing
- Title（参考訳）: アンサンブルのシャープ化:脳MRIによる後処理のためのSSIMアライメント残像精錬器
- Abstract要約: 脳MRIの塗布は、スキャンのマスクされた領域を、合成され、解剖学的に妥当な健康組織に置き換える。
構造類似度指数(SSIM)、ピーク信号-雑音比、平均二乗誤差(MSE)を併用したBraTS局所合成ベンチマークでは、最強のモデルが正確である。
我々は、これを後処理で処理し、2つの第1位2025モデルの深いアンサンブルを形成し、アンサンブル自身の出力に対して軽量な残留リファインダーを訓練する。
- 参考スコア（独自算出の注目度）: 0.5626158829476339
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain-MRI inpainting replaces a masked region of a scan with synthesized, anatomically plausible healthy tissue, so that analysis tools built for healthy brains can be applied to images they would otherwise reject. On the BraTS local-synthesis benchmark, which ranks submissions on the structural similarity index (SSIM), the peak signal-to-noise ratio, and the mean squared error (MSE) jointly, the strongest recent models are accurate, but several report blurry synthesized regions and attribute this to the mean-seeking behavior of the $\ell_1$ and MSE terms in their training losses. We address this in post-processing, forming a deep ensemble of the two co-first-place 2025 models and training a lightweight residual refiner on the ensemble's own outputs under an $\ell_1$ loss augmented with a structural-similarity term whose weight $λ$ we vary. At a moderate $λ$ the refiner improves SSIM over the ensemble, from $0.8767$ to $0.8780$ on a held-out reproduction of the official scorer and from $0.8555$ to $0.8572$ on the official validation leaderboard, with essentially no change in MSE. The gain is small but consistent, improving $62.6\%$ of the held-out cases with a signed-rank $p=2.2\times10^{-7}$, whereas over-weighting the structural term reverses it. Two ablations bound the effect. Adding any third model to the two-model ensemble degrades it, and classical unsharp masking fails to improve SSIM at any strength (best $0.8765$ against $0.8767$), so the gain reflects learned rather than indiscriminate sharpening. The result is a cheap, reproducible post-processing stage that improves an already strong ensemble without any large-scale retraining.
- Abstract（参考訳）: 脳MRIの塗布は、スキャンのマスクされた領域を合成され、解剖学的に検証可能な健康な組織に置き換える。
構造類似度指数(SSIM)、ピーク信号-雑音比、平均二乗誤差(MSE)を併用したBraTS局所合成ベンチマークでは、最強のモデルが正確である。
我々は、これを後処理で処理し、2つの第1位2025モデルの深いアンサンブルを形成し、アンサンブルの出力に軽量の残留精錬器を訓練する。
適度な$λ$では、リファラーはアンサンブルよりもSSIMを改良し、公式スコアラーのホールドアウト再生で$0.8767$から$0.8780$、公式の検証リーダーボードでは$0.8555$から$0.8572$へと改善するが、基本的にはMSEの変更はない。
利得は小さいが一貫したものであり、6.2.6\%のホールドアウトケースを、符号付きランクの$p=2.2\times10^{-7}$で改善するが、構造項の重み付けは逆にする。
2つのアブレーションが効果を束縛した。
2モデルのアンサンブルに第3のモデルを追加すると劣化し、古典的なアンシャープマスクは任意の強度でSSIMを改善することができない($0.8765$対$0.8767$)。
その結果、安価で再現可能な後処理の段階となり、大規模な再訓練なしに既に強力なアンサンブルを改善することができる。
関連論文リスト
- Interpretable Hyperspectral Unmixing Framework with Fixed Endmember Prior and Structured Residual Refinement [10.38467383160934]
本研究は,固定終端先行条件下での解釈可能なステージワイドハイパースペクトル・アンミキシング・フレームワーク(I-HyperSU)を提案する。
サムソン、アーバン、ジャスパーリッジのデータセットの実験では、固定的で不完全な終末の前の状態では、ソフトアブリダンス緩和はハード・プレックス・プロジェクションを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2026-09-08T14:18:16Z) - Two-Stage Deformable-Convolutional Inverse Design of Nanophotonic Absorbers from Optical Spectra [2.4149105714758545]
データ駆動逆設計により、所定の光学応答を持つナノフォトニック構造を効率的に生成することができる。
本研究は, 金属-絶縁体-金属共振器を80次元吸収スペクトルから再構成するための2段階の変形・畳み込み機構を示す。
論文 参考訳（メタデータ） (2026-08-12T09:47:06Z) - $K$-NeAS: Scalable Multi-Material CT Reconstruction Using Neural SDFs [0.0]
入射シーン表現(ISR)は、スパースプロジェクションから直接連続的な体積減衰場を復元することでこの問題に対処する。
本稿では, 自動多材料表面再構成のための統一かつスケーラブルなアーキテクチャであるK$-NeASを提案する。
論文 参考訳（メタデータ） (2026-07-15T23:08:45Z) - Beyond the Hard Budget: Sparsity Regularizers for More Interpretable Top-k Sparse Autoencoders [9.291632832739822]
我々はTop-k$アーキテクチャと互換性のある2つの空間正規化器を導入する。
私たちの中心的な発見は、互いに排他的というよりは、ハードなアーキテクチャのスパーシリティとソフトなスパーシリティの正則化が相補的であることです。
論文 参考訳（メタデータ） (2026-06-25T17:34:39Z) - How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。
まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
論文 参考訳（メタデータ） (2026-05-23T22:00:38Z) - Beyond Model Design: Data-Centric Training and Self-Ensemble for Gaussian Color Image Denoising [7.344881114730842]
NTIRE 2026 Image Denoising Challenge (ガウス色画像の固定ノイズレベル$=50$でのデノイング)の解法について述べる。
成熟したRestormerアーキテクチャのパフォーマンス境界を、より強力なデータ中心のトレーニングと、より完全なTest-Time機能リリースという2つの相補的な方向から見直す。
100枚の画像の挑戦検証セットでは,30.762 dB PSNRと0.861 SSIMを達成し,公開Restormer $!=50$事前トレーニングベースラインを最大3.366 dB PSNRで改善した。
論文 参考訳（メタデータ） (2026-04-13T13:42:13Z) - Representation Entanglement for Generation: Training Diffusion Transformers Is Much Easier Than You Think [63.25744258438214]
REPAとその変種は、事前訓練されたモデルから外部の視覚表現を取り入れることで、拡散モデルのトレーニング課題を効果的に軽減する。
偏見推論過程全体において欠落している外部アライメントは、識別的表現の可能性を完全に活用するに足らないと我々は主張する。
本稿では,事前学習した基礎モデルから,低レベル画像ラテントを1つの高レベルクラストークンで絡み合わせるRepresentation Entanglement for Generation (REG)を提案する。
論文 参考訳（メタデータ） (2025-07-02T08:29:18Z) - Discovery of Fatigue Strength Models via Feature Engineering and automated eXplainable Machine Learning applied to the welded Transverse Stiffener [0.0]
本研究では、自動機械学習(AutoML)と説明可能な人工知能(XAI)を組み合わせた統一的なアプローチを提案する。
専門家主導の機能エンジニアリングとアルゴリズムによる特徴生成を統合して、精度と説明可能性を高める。
データ駆動モデリングをエンジニアリング検証にブリッジし、AIによる設計と評価を可能にする。
論文 参考訳（メタデータ） (2025-07-01T21:57:12Z) - FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
論文 参考訳（メタデータ） (2025-05-19T07:32:56Z) - Self-Ensembling Gaussian Splatting for Few-Shot Novel View Synthesis [55.561961365113554]
3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)において顕著な効果を示した
本稿では,Self-Ensembling Gaussian Splatting(SE-GS)を紹介する。
我々は,トレーニング中に不確実性を認識した摂動戦略を導入することで,自己理解を実現する。
LLFF, Mip-NeRF360, DTU, MVImgNetデータセットによる実験結果から, 本手法がNVSの品質を向上させることを示す。
論文 参考訳（メタデータ） (2024-10-31T18:43:48Z) - Contextual Combinatorial Bandits with Probabilistically Triggered Arms [55.9237004478033]
確率的に誘発される腕(C$2$MAB-T)を様々な滑らかさ条件下で検討した。
トリガー変調 (TPM) 条件の下では、C$2$-UC-Tアルゴリズムを考案し、後悔すべき$tildeO(dsqrtT)$を導出する。
論文 参考訳（メタデータ） (2023-03-30T02:51:00Z) - Adversarial robustness against multiple $l_p$-threat models at the price
of one and how to quickly fine-tune robust models to another threat model [79.05253587566197]
対向的堅牢性を実現するために, 対向的トレーニング (AT) を単一$l_p$-threatモデルで行うことが広く議論されている。
本稿では,$l_p$-threatモデルの結合に対する対角的ロバスト性を実現するための,シンプルで効率的なトレーニング手法を開発する。
論文 参考訳（メタデータ） (2021-05-26T12:20:47Z)
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。