論文の概要: Topology-Aware Parameter-Efficient Adaptation for Cross-Dataset Retinal Vessel Segmentation

• arxiv url: http://arxiv.org/abs/2609.26189v1
• Date: Mon, 10 Aug 2026 06:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.919061
• Title: Topology-Aware Parameter-Efficient Adaptation for Cross-Dataset Retinal Vessel Segmentation
• Title（参考訳）: クロスデータセット網膜血管セグメンテーションのためのトポロジーを考慮したパラメータ効率適応
• Abstract要約: マルチドメインデプロイメントにおける網膜血管のセグメンテーションは、画像条件やアノテーション規則が異なる領域に適応するためにソースモデルを必要とする。 トポロジ応答型ロール構造適応フレームワークであるTAPDecoderFTを提案する。 具体的には、TAPDecoderFTは、デプロイメントドメイン間で固定されたソースパラメータ状態を共有し、ターゲット固有のプライベート/フュージョンフィーチャの混合に低ランク残基を使用し、トレーニング可能な高密度リコンストラクションパスを保持する。
• 参考スコア（独自算出の注目度）: 9.884864539306669
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal vessel segmentation in multi-domain deployment requires a source model to adapt to domains that differ in imaging conditions and annotation conventions. Conventional parameter-efficient fine-tuning reduces target-specific storage, but its highly restricted adaptation subspace can be insufficient for reconstructing thin, connected vascular structures. We therefore ask how target-specific capacity should be allocated so that topology-aware supervision remains effective under a strict per-domain parameter budget. Based on this principle, we propose TAPDecoderFT, a topology-responsive, role-structured adaptation framework. Specifically, TAPDecoderFT shares a fixed source parameter state across deployment domains, uses low-rank residuals for target-specific private/fusion feature mixing, and retains a trainable dense-reconstruction path comprising the decoder, output head, and refinement module. To promote structurally faithful predictions, the compact target state is jointly optimized with a region-overlap and topology-aware objective that encourages centerline continuity and thin-branch recovery. It improves both DSC and clDice over GenericLoRA-r4 and narrow TAP-r4 in all six directions and is comparable to full fine-tuning.
• Abstract（参考訳）: マルチドメインデプロイメントにおける網膜血管のセグメンテーションは、画像条件やアノテーション規則が異なる領域に適応するためにソースモデルを必要とする。 従来のパラメータ効率の良い微調整は、ターゲット固有の記憶を減少させるが、その高度に制限された適応部分空間は、細い接続された血管構造を再構築するには不十分である。 したがって、ドメイン単位の厳格なパラメータ予算の下で、トポロジ対応の監督が有効であるように、ターゲット固有のキャパシティを割り当てるべきかどうかを問う。 この原理に基づいて、トポロジ応答型ロール構造適応フレームワークであるTAPDecoderFTを提案する。 具体的には、TAPDecoderFTは、デプロイメントドメイン間で固定されたソースパラメータ状態を共有し、ターゲット固有のプライベート/フュージョン特徴混合に低ランク残基を使用し、デコーダ、出力ヘッド、リファインメントモジュールからなるトレーニング可能な高密度再構成パスを保持する。 構造的に忠実な予測を促進するため、コンパクトな目標状態は、中心的な連続性と細いブランチ回復を促進する領域オーバーラップとトポロジーを意識した目的と共同最適化される。 DSCとclDiceはGenericLoRA-r4とTAP-r4よりも6方向に改善され、フル微調整に匹敵する。

関連論文リスト

• Multimodal Foundation Models Adaptation based on Domain-Aware Relaxed Orthogonal Subspace for Remote Sensing [16.45880716714667]
  Domain-Aware Relaxed Orthogonal Subspace adaptation (DROS) DROSはデータ条件付きサブスペース学習と柔軟なサブスペース適応として低ランク適応を再構成する。 複数のリモートセンシングベンチマークの実験は、DROSが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-09-12T02:19:11Z)
• LoCA: Spatially-Aware Low-Rank Convolutional Adaptation of Vision Foundation Models [22.261546114940057]
  本稿では,空間チャネルの絡み合いに対処する,畳み込み対応のPEFTフレームワークであるLoCAを提案する。 LoCAは、高密度チャネル混合のための低ランクチャネル適応を導入し、事前訓練されたカーネルから抽出された空間ベースを洗練する。 実験結果から,LoCAは,詳細な分類,ドメイン一般化セマンティックセマンティックセグメンテーション,生成ベンチマークなどにおいて,事前訓練された空間的先行状態と最先端性能を保っていることがわかった。
  論文  参考訳（メタデータ） (2026-07-08T02:19:01Z)
• Shift-Dependent Asymmetry: Orthogonal Inverse Low-Rank Adaptation for Federated Medical Segmentation [60.41721951405564]
  Low-Rank Adaptation (LoRA)は、医療画像のためのセグメンテーション基盤モデルの効率的なフェデレーション微調整を可能にする。 ほとんどの連合LoRA法は、医学的セグメンテーションにおいてエンコーダ-デコーダ非対称性の下で破れる一様アグリゲーション規則を採用している。 このミスマッチの絡み合いは、サイト固有のバイアスと解剖を共有し、一般化を損なう。 本稿では,効率的な更新空間における共有局所コリニアリティを罰する部分空間直交正規化器を提案する。
  論文  参考訳（メタデータ） (2026-06-07T15:39:28Z)
• Supervised Distributional Reduction via Optimal Transport and Dependence Maximization [1.0499611180329804]
  ターゲット認識表現を学習するアルゴリズムであるSupervised Distribution Reduction (SDR)を提案する。 SDRはFused Gromov-Wasserstein (FGW) の目的に基づいて構築され、入力分布のリレーショナル構造を代表点の集合と整列する。 SDRはデータ依存の非定常幾何学を自然に誘導し、ガウス過程(GP)モデリングのような設定に利用することができる。
  論文  参考訳（メタデータ） (2026-05-26T19:38:20Z)
• 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)
• Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
  本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。 モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
  論文  参考訳（メタデータ） (2026-05-16T12:01:04Z)
• A Turn Toward Better Alignment: Few-Shot Generative Adaptation with Equivariant Feature Rotation [67.2019317630466]
  少ない撮影画像生成は、ごく少数の訓練画像を用いて、ソース生成モデルをターゲット領域に効果的に適応することを目的としている。 Equivariant Feature Rotation (EFR) は、ソースドメインとターゲットドメインを2つの相補的なレベルで整列させる新しい適応戦略である。 本手法は,対象領域内の生成性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-12-24T13:48:22Z)
• Feedback Alignment Meets Low-Rank Manifolds: A Structured Recipe for Local Learning [7.034739490820967]
  バックプロパゲーション(BP)を用いたディープニューラルネットワーク(DNN)のトレーニングは、最先端の精度を実現するが、大域的なエラー伝搬と完全なパラメータ化が必要である。 ダイレクトフィードバックアライメント(DFA)は、メモリ要件の低いローカルで並列化可能な更新を可能にする。 低ランク多様体上で直接動作する構造化局所学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-29T15:03:46Z)
• Regularizing Subspace Redundancy of Low-Rank Adaptation [54.473090597164834]
  本稿では、マッピング部分空間間の冗長性を明示的にモデル化し、低ランク適応のサブスペース冗長性を適応的に正規化する手法であるReSoRAを提案する。 提案手法は、視覚言語検索や標準的な視覚分類ベンチマークにおいて、様々なバックボーンやデータセットにまたがる既存のPETL手法を一貫して促進する。 トレーニングの監督として、ReSoRAは追加の推論コストなしで、プラグイン・アンド・プレイ方式で既存のアプローチにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-07-28T11:52:56Z)
• Topology-inspired Cross-domain Network for Developmental Cervical Stenosis Quantification [4.426771138038866]
  頚部脊柱管狭窄症(DCS)の定量診断は頚部脊柱管狭窄のスクリーニングに重要である。 ディープキーポイントローカライゼーションネットワークは、座標または画像領域で実装することができる。 トポロジーにインスパイアされたクロスドメインネットワーク(TCN)は、クロスドメイン方式で異常な構造を制限することを提案した。
  論文  参考訳（メタデータ） (2023-09-13T09:16:19Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)

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。