論文の概要: The microscope is the mask: privileged views and labels from a cryo-ET forward model

• arxiv url: http://arxiv.org/abs/2609.04325v1
• Date: Thu, 03 Sep 2026 18:00:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.775096
• Title: The microscope is the mask: privileged views and labels from a cryo-ET forward model
• Title（参考訳）: 顕微鏡はマスク:Cryo-ETフォワードモデルからの特権ビューとラベル
• Abstract要約: 本研究では,タンパク質アノテーションのモデル構築のためのシミュレーションデータの利用について検討する。 フォワードモデルによって課される汚職を利用して、まったく同じシーンのドメイン固有の拡張ペアビューを生成します。 本稿では,CARNIVALがシミュレーションデータに対して比較対象を用いて訓練した最先端モデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 3.4415392202192137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We explore the use of simulated data for training a model for protein annotation in crowded cryo-electron tomography volumes reconstructed from images collected at limited tilt angles and severely corrupted by the measurement operator. Firstly, we leverage the corruptions imposed by the forward model to generate domain-specific augmented paired views of the exact same scene for an invariance objective integrated into the LeJEPA self-supervised training framework. Secondly, we use additional information from the simulation pipeline such as the positions and identity of proteins in the simulated volumes to inform the architecture of the model and the loss function, so that semantic information is localised at protein positions in the resulting dense feature volume. The resulting model, CARNIVAL, is evaluated without finetuning on classification and detection tasks in real tomograms, using a benchmark dataset containing multiple protein types and two tomogram processing types. We show that CARNIVAL outperforms a state-of-the-art model trained using a contrastive objective on simulated data but without forward model-based paired views or privileged information.
• Abstract（参考訳）: 限られた傾斜角で収集された画像から再構成し, 測定者によってひどく破損した, 密集した低温-電子トモグラフィーボリュームにおけるタンパク質アノテーションのモデル構築のためのシミュレーションデータの利用について検討した。 まず,前向きモデルによって課される汚職を利用して,LeJEPAの自己監督型トレーニングフレームワークに組み込まれた非分散目標に対して,同一シーンのドメイン固有の拡張ペアビューを生成する。 第2に、シミュレーションパイプラインから、シミュレーションボリューム中のタンパク質の位置や同一性などの追加情報を用いて、モデルの構造や損失関数を知らせ、結果として生じる高密度特徴量におけるタンパク質の位置で意味情報を局所化する。 得られたモデルであるCARNIVALは、複数のタンパク質タイプと2つのトモグラフィ処理タイプを含むベンチマークデータセットを用いて、実際のトモグラフィーにおける分類および検出タスクを微調整することなく評価される。 我々は,CARNIVALが,シミュレーションデータに対して比較対象を用いて訓練した最先端のモデルよりも優れており,前方モデルに基づくペアビューや特権情報がないことを示す。

関連論文リスト

• Physics Informed Generative AI Enabling Labour Free Segmentation For Microscopy Analysis [3.3176565054468714]
  本稿では、シミュレーションと現実のギャップを埋めることのできる、労働自由化のための新しい枠組みを提案する。 我々は、不対向画像画像変換にCycleGAN(Cycle-Consistent Generative Adversarial Network)を用いる。 この合成データに特化して訓練されたU-Netモデルは、目に見えない実験画像に展開する際、顕著な一般化を示した。
  論文  参考訳（メタデータ） (2026-02-02T06:36:06Z)
• Quantification and Classification of Carbon Nanotubes in Electron Micrographs using Vision Foundation Models [1.8969168959157112]
  本研究は、電子顕微鏡画像におけるCNTの定量化と分類を自動化するために、視覚基盤モデルを活用した統一的なフレームワークを提案する。 本稿では,最小限のユーザ入力を用いて,粒子をほぼ完全精度で分割するSegment Anything Model(SAM)上に構築した対話的定量化ツールを提案する。 第二に,これらのセグメンテーションマスクを用いて空間的にDINOv2視覚変換器を拘束し,背景雑音を抑えながら粒子領域からのみ特徴を抽出する新しい分類パイプラインを提案する。 1,800 TEM画像のデータセットに基づいて評価され、このアーキテクチャは4つの異なるCNT形態の区別において95.5%の精度を達成する。
  論文  参考訳（メタデータ） (2026-01-10T20:22:58Z)
• Machine-learning-enabled interpretation of tribological deformation patterns in large-scale MD data [0.0]
  CuNi合金シミュレーションから得られた結晶配向色トモグラフ画像は、まずオートエンコーダを通して32次元のグローバル特徴ベクトルに圧縮された。 再構成された画像は、最良欠陥のみを省略しつつ、粒界、積み重ね断層、双生児、部分格子回転といった重要なミクロ構造モチーフを保持していた。 支配的な変形パターンを予測するCNN-MLPモデルは、検証データに対して約96%の予測精度を達成する。
  論文  参考訳（メタデータ） (2025-12-05T15:39:13Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• A Plug-and-Play Method for Rare Human-Object Interactions Detection by Bridging Domain Gap [50.079224604394]
  textbfContext-textbfEnhanced textbfFeature textbfAment (CEFA) と呼ばれる新しいモデルに依存しないフレームワークを提案する。 CEFAは機能アライメントモジュールとコンテキスト拡張モジュールで構成される。 本手法は, 稀なカテゴリにおけるHOIモデルの検出性能を向上させるために, プラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T08:42:48Z)
• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Reconstructing Training Data from Diverse ML Models by Ensemble Inversion [8.414622657659168]
  モデルインバージョン(MI)は、学習された機械学習(ML)モデルへのアクセスを敵が悪用するものであり、研究の注目を集めている。 本研究では,訓練されたモデルのアンサンブルに制約されたジェネレータを訓練することにより,元のトレーニングデータの分布を推定するアンサンブル変換手法を提案する。 データセットを使わずに高品質な結果が得られ、想定されるトレーニングデータに類似した補助データセットを利用することで、結果がどう改善されるかを示す。
  論文  参考訳（メタデータ） (2021-11-05T18:59:01Z)
• Y-GAN: Learning Dual Data Representations for Efficient Anomaly Detection [0.0]
  本稿では,Y-GANと呼ばれる新しい再構成モデルを提案する。 モデルはY字型のオートエンコーダで構成され、2つの別々の潜在空間の画像を表現している。
  論文  参考訳（メタデータ） (2021-09-28T20:17:04Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。