論文の概要: Same Encoder, Different Winner: A Paired-View Framework for Cell Painting Encoder Evaluation

• arxiv url: http://arxiv.org/abs/2609.12761v1
• Date: Fri, 11 Sep 2026 12:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.737595
• Title: Same Encoder, Different Winner: A Paired-View Framework for Cell Painting Encoder Evaluation
• Title（参考訳）: 同じエンコーダと異なる勝者:セルペイントエンコーダ評価のためのペアビューフレームワーク
• Abstract要約: セルペイントのための視覚エンコーダは通常、単一の評価によってランク付けされ、通常、平均平均精度(mAP)を再現する。 CP-BG-Benchは、4つのマッチングされたビューに固定された中央セルを保持するペアビュー評価フレームワークである。
• 参考スコア（独自算出の注目度）: 7.520198220421409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision encoders for Cell Painting are typically ranked by a single evaluation, commonly replicate mean average precision (mAP). We introduce CP-BG-Bench, a paired-view evaluation framework that holds the central cell fixed across four matched views (raw crop C, segmented S, and density-augmented variants CD and SD), ablating or augmenting surrounding pixels as a controlled intervention. Instantiating the framework on three datasets (JUMP-CP, RxRx1, RxRx3-core) and three encoders (DINOv3 ViT-B/16, OpenPhenom, SubCell) under four community-standard protocols (replicate mAP, scIB batch integration, CellProfiler feature prediction, cross-batch perturbation recall), we find that the four protocols rank the same encoders systematically differently, with disagreements decomposing along three axes: cell versus background, morphology versus context, and within-study versus across-batch. The largest effect: on RxRx3-core, SubCell with segmented inputs retains 94% of crop replicate mAP but only 32% of crop R@10, so the within-study signal preserved under segmentation is largely non-transferable; density augmentation recovers 84% of the within-study C-to-S gap but only 8% of the cross-batch gap. Segmented views predict CellProfiler features as well as or better than crops on two of three datasets, inverting the replicate-mAP ranking, and the C-to-S gap varies by an order of magnitude across datasets while remaining similar across encoders, indicating that background-driven gain is set by experimental design rather than by the encoder. Single-metric ranking of Cell Painting encoders is therefore sensitive to the protocol used, and protocol disagreements are interpretable as projections onto the three axes the paired-view design exposes. We will release the paired-view datasets, reconstruction pipelines, 36 trained checkpoints, aggregated embeddings, and the full evaluation suite.
• Abstract（参考訳）: セルペイントのための視覚エンコーダは通常、単一の評価によってランク付けされ、一般に平均平均精度(mAP)を再現する。 CP-BG-Benchは,4つのマッチングビュー(生作物C,分画S,密度増大変種CD,SD)に固定された中心細胞を保持し,周囲の画素を吸収または増強する2対のビュー評価フレームワークである。 3つのデータセット(JUMP-CP, RxRx1, RxRx3-core)と3つのエンコーダ(DINOv3 ViT-B/16, OpenPhenom, SubCell)を4つのコミュニティ標準プロトコル(mAP, scIBバッチ統合, CellProfiler特徴予測, クロスバッチ摂動リコール)で検証した結果, 4つのプロトコルは同じエンコーダを系統的にランク付けし, 3つの軸(セル対バックグラウンド, モルフォロジー対コンテキスト, クロスバッチ)に沿って分解する不一致, および内部スタディ対クロスバッチ)で比較した。 RxRx3コアでは、セグメント化された入力を持つSubCellは、作物の複製mAPの94%を保持するが、作物のR@10の32%しか保持しないため、セグメンテーションの下で保存される内部スタディ信号は、ほとんど非透過性であり、密度増強は、内部スタディC-to-Sギャップの84%を回復するが、クロスバッチギャップの8%しか回復しない。 セグメンテーションされたビューは、3つのデータセットのうちの2つのうち、CellProfilerの機能と作物よりも優れていると予測し、複製-mAPランキングを反転させ、C-to-Sギャップはデータセット間で桁違いに変化し、エンコーダ間で類似した状態を維持しながら、バックグラウンド駆動のゲインはエンコーダではなく実験的な設計によって設定されていることを示している。 したがって、セルペイントエンコーダのシングルメトリックランキングは、使用するプロトコルに敏感であり、プロトコルの不一致は、ペアビューの設計が露呈する3つの軸への投影として解釈される。 ペア化されたビューデータセット、再構築パイプライン、36のトレーニングされたチェックポイント、集約された埋め込み、フル評価スイートをリリースします。

関連論文リスト

• InLiER: Learning-Free Heterogeneous LiDAR Place Recognition via Intermediate Mixed-Radix Structural Keypoint Tokenization [17.209765684998427]
  中間トークン化ステップに基づく学習自由パイプラインInLiERを提案する。 InLiERはHeLiPRデータセットと実世界のフィールド実験で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-18T15:55:36Z)
• Alignment-Guided Largest Table Overlap Size Estimation [11.275866569459502]
  テーブル間の最大のオーバーラップサイズを高速に推定することで、大きなテーブルリポジトリにおけるブロッキングとクエリ・バイ・テーブル検索が可能になる。 ALOREは3つの原理に基づいて構築された,スケーラブルでドメイン・ロバストなオーバーラップ比推定器である。 さまざまなドメインとスケールにまたがる複数のデータセットの実験は、以前のベンチマーク以上の大規模な実世界のコーパスを含む、ALOREが芸術の状態を上回ることを示している。
  論文  参考訳（メタデータ） (2026-07-03T07:38:43Z)
• Two-View Accumulation as the Primary Training Lever for Hybrid-Capture Gaussian Splatting: A Variance-Decomposition View of When Gradient Surgery Helps [7.6889618752994595]
  ハイブリッドキャプチャーノベルビュー合成は、かなり異なるカメラビューを組み合わせる。 標準3DGSは、ステップ毎に1つのレンダリングビューで30Kイテレーションでトレーニングされている。 本稿では,この発見を予測・説明する分散分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T17:45:51Z)
• Exploring Efficient Open-Vocabulary Segmentation in the Remote Sensing [55.291219073365546]
  Open-Vocabulary Remote Sensing Image (OVRSIS)は、OVS(Open-Vocabulary)をリモートセンシング(RS)ドメインに適応させる新しいタスクである。 textbfRSKT-Segは、リモートセンシングに適した新しいオープン語彙セグメンテーションフレームワークである。 RSKT-Segは高いOVSベースラインを+3.8 mIoUと+5.9 mACCで上回り、効率的なアグリゲーションによって2倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-09-15T15:24:49Z)
• AugmentGest: Can Random Data Cropping Augmentation Boost Gesture Recognition Performance? [49.64902130083662]
  本稿では、幾何変換、ランダム変動、回転、ズーム、強度に基づく変換を統合する包括的データ拡張フレームワークを提案する。 提案手法は,マルチストリームe2eET,FPPRポイントクラウドベースハンドジェスチャ認識(HGR),DD-Networkの3つのモデルで評価される。
  論文  参考訳（メタデータ） (2025-06-08T16:43:05Z)
• Alligat0R: Pre-Training Through Co-Visibility Segmentation for Relative Camera Pose Regression [23.65253469577653]
  我々は、クロスビュー学習を協調視認性セグメンテーションタスクとして再構成する新しい事前学習手法であるAlligat0Rを紹介する。 提案手法は,画像中の各ピクセルが第2画像において同一視可能であるか,無視されているか,視野外か(FOV)を予測する。 これをサポートするために,250万のイメージペアと高密度なコビジュアビリティアノテーションを備えた大規模データセットであるCube3を提案する。
  論文  参考訳（メタデータ） (2025-03-10T17:29:48Z)
• SegVG: Transferring Object Bounding Box to Segmentation for Visual Grounding [56.079013202051094]
  ボックスレベルのアノテーションを信号として転送する新しい手法であるSegVGを提案する。 このアプローチでは,ボックスレベルのレグレッションとピクセルレベルのセグメンテーションの両方の信号としてアノテーションを反復的に利用することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:30:45Z)
• Semi-supervised Counting via Pixel-by-pixel Density Distribution Modelling [135.66138766927716]
  本稿では,トレーニングデータのごく一部をラベル付けした半教師付き群集カウントに着目した。 我々は1つの決定論的値ではなく、確率分布として回帰するためにピクセル単位の密度値を定式化する。 本手法は,様々なラベル付き比率設定の下で,競争相手よりも明らかに優れる。
  論文  参考訳（メタデータ） (2024-02-23T12:48:02Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Triple-View Knowledge Distillation for Semi-Supervised Semantic Segmentation [54.23510028456082]
  半教師付きセマンティックセグメンテーションのためのトリプルビュー知識蒸留フレームワークTriKDを提案する。 このフレームワークは、トリプルビューエンコーダとデュアル周波数デコーダを含む。
  論文  参考訳（メタデータ） (2023-09-22T01:02:21Z)
• CVFC: Attention-Based Cross-View Feature Consistency for Weakly Supervised Semantic Segmentation of Pathology Images [3.2128744424771725]
  病理組織像分割はがんの診断における金の基準である。 多くの研究が画像レベルのラベルを使用してピクセルレベルのセグメンテーションを実現し、微粒なアノテーションの必要性を減らしている。 そこで本研究では,CVFC という疑似マスク生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-21T03:50:09Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)

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。