論文の概要: MedPCFM-TED: One-Step Point Cloud Flow Matching for Implant Generation via Teacher-Guided Endpoint Distillation

• arxiv url: http://arxiv.org/abs/2609.16934v1
• Date: Tue, 15 Sep 2026 10:10:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.442781
• Title: MedPCFM-TED: One-Step Point Cloud Flow Matching for Implant Generation via Teacher-Guided Endpoint Distillation
• Title（参考訳）: MedPCFM-TED:教師誘導エンドポイント蒸留によるインプラント生成のためのワンステップクラウドフローマッチング
• Abstract要約: 頭蓋内インプラントは医用画像撮影において重要な課題である。 最近のポイントクラウドベースの生成手法、特にフローマッチングは、強い再構成品質と効率的なサンプリングを提供するが、推論中に複数の神経機能評価を必要とする。 点群における条件付き頭蓋インプラント生成のための簡単な一段階蒸留フレームワークであるTeacher-guided Distillation (TED)を提案する。
• 参考スコア（独自算出の注目度）: 0.41171927271696834
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cranial implant generation is an important task in medical imaging. Recent point cloud based generative methods, particularly flow matching, offer strong reconstruction quality and efficient sampling, but still require multiple neural function evaluations during inference. This limits rapid generation of multiple plausible implant candidates. We propose Teacher-guided Endpoint Distillation (TED), a simple one-step distillation framework for conditional cranial implant generation on point clouds. TED trains a one-step student using teacher-guided endpoint supervision and geometric matching losses, while avoiding explicit path straightening. We evaluate TED on the SkullFix and SkullBreak benchmarks. TED achieves the best overall performance on the SkullBreak dataset, remains competitive on SkullFix, and provides the strongest Chamfer distance performance among the compared one-step methods. In addition, TED generates implants in approximately 0.04s per sample. These results show that one-step distillation can substantially accelerate conditional point cloud implant generation without sacrificing reconstruction quality.
• Abstract（参考訳）: 頭蓋内インプラントは医用画像撮影において重要な課題である。 最近のポイントクラウドベースの生成手法、特にフローマッチングは、強い再構成品質と効率的なサンプリングを提供するが、推論中に複数の神経機能評価を必要とする。 これにより、複数の可塑性インプラント候補の急速な生成が制限される。 本稿では, 点群における条件付き頭蓋インプラント生成のための簡易蒸留フレームワークであるTED(Teacher-guided Endpoint Distillation)を提案する。 TEDは教師が指導するエンドポイントの監督と幾何的整合損失を使って一段階の学生を訓練し、明確な経路の直線化を避けた。 SkullFixとSkullBreakのベンチマークでTEDを評価した。 TEDはSkullBreakデータセット上で最高の全体的なパフォーマンスを達成し、SkullFix上で競争力を維持し、比較したワンステップメソッドの中で最強のChamfer距離パフォーマンスを提供する。 さらにTEDは1サンプルあたり約0.04秒でインプラントを生成する。 以上の結果から, 一段階蒸留は, 再現品質を犠牲にすることなく, 条件点雲の埋込みを著しく加速できることがわかった。

関連論文リスト

• OPTD: On-Policy Transition Distillation with Consistency-Guided Adaptive Compression for Few-Step Diffusion Language Models [39.15861870749305]
  OPTD, On-Policy Transition Distillation with consistency-guided Adaptive compression。 これは、数段階の学生自身の軌跡から部分的な状態をサンプリングし、凍結した質問のみの教師を使用して結果に整合した将来の候補者を特定し、現状の信頼でそれらを注文する。 品質効率のトレードオフを継続的に改善し、評価された数ステップのベースラインの中で、全体的な品質に制約のあるAUPを最強に達成します。
  論文  参考訳（メタデータ） (2026-08-03T23:09:43Z)
• When Perplexity Lies: Generation-Focused Distillation of Hybrid Sequence Models [18.966595547209824]
  我々はGenDistillと組み合わせたハイブリッドKimi Delta Attention (Hybrid-KDA)アーキテクチャを提案する。 ログライクリフに基づく評価は,教師と学生のギャップを過小評価する。
  論文  参考訳（メタデータ） (2026-03-27T16:16:23Z)
• TED: Training-Free Experience Distillation for Multimodal Reasoning [9.796446482217418]
  TEDは、トレーニングなし、文脈ベースの蒸留フレームワークである。 これは、蒸留の更新ターゲットをモデルパラメータから、学生のプロンプトに注入されたコンテキスト内体験にシフトする。
  論文  参考訳（メタデータ） (2026-03-25T01:08:36Z)
• Improved Distribution Matching Distillation for Fast Image Synthesis [54.72356560597428]
  この制限を解除し、MDDトレーニングを改善する一連の技術であるMDD2を紹介する。 まず、回帰損失と高価なデータセット構築の必要性を排除します。 第2に, GAN損失を蒸留工程に統合し, 生成した試料と実画像との識別を行う。
  論文  参考訳（メタデータ） (2024-05-23T17:59:49Z)
• Score identity Distillation: Exponentially Fast Distillation of Pretrained Diffusion Models for One-Step Generation [61.03530321578825]
  Score Identity Distillation (SiD) は、事前学習した拡散モデルの生成能力を1ステップ生成器に蒸留する革新的なデータフリー手法である。 SiDは、蒸留中のFr'echet開始距離(FID)を指数的に高速に減少させるだけでなく、元の教師拡散モデルのFID性能に近づいたり、超えたりする。
  論文  参考訳（メタデータ） (2024-04-05T12:30:19Z)
• Data Distillation Can Be Like Vodka: Distilling More Times For Better Quality [78.6359306550245]
  蒸留に1つの合成部分集合を用いるだけでは最適な一般化性能は得られない。 PDDは複数の小さな合成画像集合を合成し、それぞれ前の集合に条件付けし、これらの部分集合の累積和でモデルを訓練する。 実験の結果, PDDは既存のデータセット蒸留法の性能を最大4.3%向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T20:04:44Z)
• Effective Whole-body Pose Estimation with Two-stages Distillation [52.92064408970796]
  全体ポーズ推定は、画像内の人体、手、顔、足のキーポイントをローカライズする。 textbfWhole-body textbfPose 推定器の2段階ポーズ textbfDistillation を提案し,その有効性と効率性について検討した。
  論文  参考訳（メタデータ） (2023-07-29T03:49:28Z)
• BOOT: Data-free Distillation of Denoising Diffusion Models with Bootstrapping [64.54271680071373]
  拡散モデルは多様な画像を生成する優れた可能性を示している。 知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。 本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T20:30:55Z)
• Reconstruction-Aware Prior Distillation for Semi-supervised Point Cloud Completion [10.649666758735663]
  現実世界のセンサーは、しばしば不完全で不規則でノイズの多い点雲を発生させる。 本稿では,新しい半教師付き点雲補完法であるRADを提案する。
  論文  参考訳（メタデータ） (2022-04-20T02:14:20Z)
• Self-Distillation from the Last Mini-Batch for Consistency Regularization [14.388479145440636]
  我々は、Last Mini-Batch (DLB) からの自己蒸留という、効率的で信頼性の高い自己蒸留フレームワークを提案する。 提案手法はトレーニングの安定性と一貫性を導出し,ノイズのラベル付けに堅牢性をもたらす。 3つの分類ベンチマークによる実験結果から、我々の手法は最先端の自己蒸留手法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-30T09:50:24Z)
• Advanced Dropout: A Model-free Methodology for Bayesian Dropout Optimization [62.8384110757689]
  ディープニューラルネットワーク(DNN)の現実的応用において、ユビキタスなオーバーフィッティングが存在する 先進的なドロップアウト手法は、パラメトリック先行でモデルフリーで容易に実装された分布を適用し、ドロップアウト率を適応的に調整する。 7つのコンピュータビジョンデータセットにおける9つのドロップアウト手法に対する高度なドロップアウトの有効性を評価する。
  論文  参考訳（メタデータ） (2020-10-11T13:19:58Z)

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。