論文の概要: MedDiME: Efficient Latent Diffusion with Adaptive Masking for Medical Counterfactual Generation

• arxiv url: http://arxiv.org/abs/2609.15647v1
• Date: Mon, 14 Sep 2026 14:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.437525
• Title: MedDiME: Efficient Latent Diffusion with Adaptive Masking for Medical Counterfactual Generation
• Title（参考訳）: MedDiME : 適応型マスキングを併用した医用医療用人工股関節置換術
• Abstract要約: 医療カウンターファクト生成は、解釈可能性のためのモデル予測を変更するために画像を変更する。 既存の拡散に基づくアプローチは、しばしば禁止的に遅く、メモリ集約的である。 MedDiMEは遅延空間分類器誘導拡散フレームワークであり,計算とメモリのオーバーヘッドを低減する。
• 参考スコア（独自算出の注目度）: 10.5489005123962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical counterfactual generation modifies images to change model predictions for interpretability. However, existing diffusion-based approaches are often prohibitively slow and memory-intensive, making them difficult to apply in high-resolution settings. Moreover, existing masking strategies are tightly coupled with pixel-space representations, making them incompatible with latent-space diffusion editing. To address these challenges, we propose MedDiME, a latent-space classifier-guided diffusion framework that reduces computational and memory overhead while introducing a latent-compatible, gradient-driven adaptive masking mechanism for spatially precise medical counterfactual generation. Extensive experiments demonstrate that MedDiME achieves high-quality counterfactual generation with significant efficiency gains compared to prior classifier-guided diffusion baselines, achieving up to 40 times faster inference and 13 times lower peak GPU memory usage.
• Abstract（参考訳）: 医療カウンターファクト生成は、解釈可能性のためのモデル予測を変更するために画像を変更する。 しかし、既存の拡散ベースのアプローチは、しばしば禁止的に遅く、メモリ集約的であり、高解像度設定では適用が困難である。 さらに、既存のマスキング戦略はピクセル空間表現と密結合しており、潜在空間拡散編集と互換性がない。 これらの課題に対処するために,潜時空間分類器誘導拡散フレームワークであるMedDiMEを提案する。 大規模な実験により、MedDiMEは従来の分類器誘導拡散ベースラインに比べて高い効率で高品質な反ファクト生成を実現し、最大40倍の高速推論と13倍のピークGPUメモリ利用を実現している。

関連論文リスト

• Nemotron-Labs-Diffusion-Image: Advancing Masked Discrete Diffusion for High-Resolution Image Synthesis [93.7120829382642]
  Nemotron-Labs-Diffusion-Imageは、テキスト・画像合成のための最先端のマスク付き離散拡散モデルである。 標準的なMDMには自己修正機能がない。 Nemotron-Labs-Diffusion-Imageにはトークン編集機構が組み込まれている。
  論文  参考訳（メタデータ） (2026-06-29T05:48:41Z)
• MaskDiME: Adaptive Masked Diffusion for Precise and Efficient Visual Counterfactual Explanations [7.325562054466611]
  MaskDiMEは拡散に基づく反ファクト生成フレームワークである。 局所的なサンプリングによって意味的一貫性と空間的精度を統一する。 ベースライン法よりも30倍以上高速な推論を実現する。
  論文  参考訳（メタデータ） (2026-02-21T10:53:50Z)
• Enhancing Diffusion-Based Quantitatively Controllable Image Generation via Matrix-Form EDM and Adaptive Vicinal Training [22.721395122355187]
  連続条件拡散モデル(Continuous Conditional Diffusion Model, CCDM)は、連続回帰ラベルに条件付き高品質な画像を生成するために設計された拡散ベースのフレームワークである。 我々は,より高度なテキスト化拡散モデル(EDM, textitElucidated Diffusion Model)フレームワークを組み込んだiCCDMを提案する。 4つのベンチマークデータセットの実験では、画像解像度が64ドルから256ドルまでの範囲で、iCCDMが既存のメソッドを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-02-02T13:55:49Z)
• Diffusion Model in Latent Space for Medical Image Segmentation Task [0.0]
  MedSegLatDiffは、変動オートエンコーダ(VAE)と遅延拡散モデルを組み合わせた拡散ベースのフレームワークで、効率的な医用画像分割を行う。 芸術または非常に競争の激しいDiceとIoUのスコアの状態を達成し、同時に多様なセグメンテーション仮説と信頼マップを生成する。
  論文  参考訳（メタデータ） (2025-12-01T05:26:43Z)
• Variational Autoencoding Discrete Diffusion with Enhanced Dimensional Correlations Modeling [48.96034602889216]
  Variencoding Discrete Diffusion (VADD) は、潜在変数モデリングによる離散拡散を強化する新しいフレームワークである。 補助的認識モデルを導入することにより、VADDはトレーニングセット上の変分下界と償却推論を介して安定したトレーニングを可能にする。 2Dトイデータ、画素レベルの画像生成、テキスト生成に関する実証結果は、VADDがMDMベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-05-23T01:45:47Z)
• Masked Autoencoders Are Effective Tokenizers for Diffusion Models [56.08109308294133]
  MAETokは自己エンコーダであり、再構築の忠実さを維持しながら意味的にリッチな潜在空間を学習する。 MaETokは1.69のgFIDで76倍高速トレーニングが可能で、512x512世代で31倍高い推論スループットを実現している。
  論文  参考訳（メタデータ） (2025-02-05T18:42:04Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• LMD: Faster Image Reconstruction with Latent Masking Diffusion [28.54828478259779]
  Masked Autoencoders (MAEs) は、一般的な自己監督型視覚学習者として、下流タスクにおいて、よりシンプルで効果的な画像再構成と転送機能を示す。 本稿では,遅延マスク拡散を用いた高速画像再構成フレームワーク LMD を提案する。
  論文  参考訳（メタデータ） (2023-12-13T08:36:51Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
  カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。 本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。 カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
  論文  参考訳（メタデータ） (2023-05-29T07:49:44Z)

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。