論文の概要: Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images

• arxiv url: http://arxiv.org/abs/2609.12454v1
• Date: Fri, 11 Sep 2026 05:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.63153
• Title: Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images
• Title（参考訳）: 医用画像における空間認識Few-shot異常検出のためのCLIPを用いたブリッジングビジョン基礎モデル
• Abstract要約: 本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
• 参考スコア（独自算出の注目度）: 48.646448077284276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language Models such as CLIP enable effective few-shot medical anomaly detection (AD) via strong image-text semantic alignment. However, their globally contrastive pretraining lacks explicit spatial supervision, limiting precise lesion localization. In contrast, Vision Foundation Models (VFMs) such as DINO learn spatially coherent patch representations via self-distillation and local-to-global consistency, better capturing fine-grained anatomical structures. Leveraging this complementarity, we propose Spatial-FAD, a spatial-aware few-shot medical AD framework that improves lesion localization by combining VFM spatial priors with CLIP semantics. Specifically, we introduce a VFM-enhanced adapter that injects a structural affinity prior derived from DINO into CLIP features. This structure-guided refinement encourages visual embeddings to better adhere to lesion boundaries while maintaining semantic alignment. To address the loss of spatial detail from patchification and the limited input resolution of CLIP, we adopt a sliding-window aggregation strategy. This generates high-resolution, spatially dense embeddings to further enhance localization granularity. Moreover, we introduce a prototype-enhanced support memory scheme to efficiently exploit the few-shot support set. This module stores compact prototypes for normal and abnormal patterns, reducing memory costs while boosting performance by fusing patch-to-prototype and image-text similarities. Extensive experiments on three benchmark datasets, including Liver CT, Retinal OCT, and Brain MRI, demonstrate that Spatial-FAD significantly outperforms state-of-the-art methods, especially in lesion segmentation. Notably, in the 4-shot scenario, our method achieves an average improvement of over 11.4% in Dice score and 1.8% in AUC. Code is available at: https://github.com/JuzhengMiao/Spatial-FAD.
• Abstract（参考訳）: CLIPのような視覚言語モデルは、強力な画像テキストセマンティックアライメントを通じて効果的な数ショットの医療異常検出(AD)を可能にする。 しかし、グローバルに対照的な事前訓練は、明確な空間的監督を欠き、正確な病変の局在を制限している。 対照的に、DINOのようなビジョン・ファンデーション・モデル(VFM)は自己蒸留や局所的・局所的な一貫性を通じて空間的に一貫性のあるパッチ表現を学習し、より微細な解剖学的構造を捉える。 このような相補性を生かして,VFMの空間先行とCLIPのセマンティクスを組み合わせることで,病変の局所化を改善する空間認識型少数ショット医療ADフレームワークであるSpatial-FADを提案する。 具体的には、DINOから派生した構造親和性をCLIPに注入するVFM強化アダプタを提案する。 この構造誘導による改良により、視覚埋め込みは、意味的アライメントを維持しながら、病変の境界によりよく固執するように促される。 パッチ化による空間的詳細の喪失とCLIPの限られた入力解像度に対処するため,我々はスライディングウインドウ・アグリゲーション戦略を採用した。 これにより高分解能で空間密度の埋め込みが生じ、局所化の粒度がさらに高められる。 さらに,少数のサポートセットを効率的に活用するための,プロトタイプ強化サポートメモリ方式を提案する。 このモジュールは、通常のパターンと異常パターンのコンパクトなプロトタイプを格納し、パッチ・トゥ・プロトタイプとイメージ・テキストの類似性を融合することにより、メモリコストを削減し、性能を向上する。 Liver CT、Retinal OCT、Brain MRIを含む3つのベンチマークデータセットの大規模な実験は、特に病変のセグメンテーションにおいて、Spatial-FADが最先端の手法を著しく上回ることを示した。 特に,4ショットシナリオでは,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。 コードは、https://github.com/JuzhengMiao/Spatial-FAD.comで入手できる。

関連論文リスト

• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Cross-Modal Semantic-Enhanced Diffusion Framework for Diabetic Retinopathy Grading [7.923081487850825]
  そこで本研究では,糖尿病網膜症(DR)に適応した視覚言語モデルを提案する。 画像特徴と各DRグレードのテキスト記述特徴との間のドット積を計算し、モーダルなセマンティックコンディショニングベクトルを構築する。 APTOS 2019データセットの実験では、提案手法は87.5%の精度で、マクロ平均F1スコアは0.731であり、様々な代表的手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-05-10T00:58:17Z)
• Align then Refine: Text-Guided 3D Prostate Lesion Segmentation [5.284052813431228]
  体積法は、解剖学的整合性を確保しながら複数のモードを組み合わせる必要がある。 現在のモデルは、クロスモーダル情報を確実に統合するのに苦労している。 3つの重要なイノベーションを取り入れた新しいマルチエンコーダU-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-20T18:13:52Z)
• Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
  非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。 主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。 クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2026-02-23T14:33:24Z)
• Enhancing CLIP Robustness via Cross-Modality Alignment [54.01929554563447]
  視覚言語モデルのための最適なトランスポートベースフレームワークであるクロスモダリティアライメントを提案する。 COLAは、グローバルな画像テキストアライメントと特徴空間における局所的な構造的一貫性を復元する。 COLAはトレーニングフリーで、既存の微調整モデルと互換性がある。
  論文  参考訳（メタデータ） (2025-10-28T03:47:44Z)
• Generalized Decoupled Learning for Enhancing Open-Vocabulary Dense Perception [71.26728044621458]
  DeCLIPは、CLIPを強化する新しいフレームワークで、自己認識モジュールを分離して、それぞれコンテンツ’と“コンテキスト’の機能を取得する。 2D検出とセグメンテーション、3Dインスタンスのセグメンテーション、ビデオインスタンスのセグメンテーション、6Dオブジェクトのポーズ推定など、幅広いタスクにわたる最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2025-08-15T06:43:51Z)
• TABNet: A Triplet Augmentation Self-Recovery Framework with Boundary-Aware Pseudo-Labels for Medical Image Segmentation [4.034121387622003]
  本稿では,医用画像分割フレームワークTAB Netを提案する。 三重化自己回復モジュール(TAS)と境界対応擬似ラベル監視モジュール(BAP)から構成されている。 我々は,TAB Netが,スクリブルベースの弱教師付きセグメンテーションにおいて,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:50:00Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、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） (2023-12-11T18:38:28Z)
• SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
  正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。 その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-23T20:55:11Z)
• Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation [51.93711960601973]
  クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。 プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。 クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-03-15T15:23:10Z)

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。