論文の概要: Recursive Uncertainty-Gated Image Registration for Learning-based Algorithms

• arxiv url: http://arxiv.org/abs/2609.28081v1
• Date: Wed, 23 Sep 2026 13:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.042335
• Title: Recursive Uncertainty-Gated Image Registration for Learning-based Algorithms
• Title（参考訳）: 学習アルゴリズムにおける再帰的不確実性グラフ画像登録
• Abstract要約: Recursive Uncertainty-Gated Image Registration (RUGI) は、学習ベース登録モデルにより予測される変形場を反復的に精製するアルゴリズムである。 心MRIおよび心エコーデータを用いたRUGIの評価を行い,単段階推論よりも一貫した改善が見られた。
• 参考スコア（独自算出の注目度）: 1.1196622405775332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional image registration algorithms are robust to domain shifts and achieve low errors, but they are slow and computationally expensive. Deep-learning methods are efficient at inference-time, but face challenges in out-of-domain samples. We propose Recursive Uncertainty-Gated Image Registration (RUGI), an algorithm for iteratively refining deformation fields predicted by learning-based registration models. At each iteration, the registration model predicts an incremental deformation, and a gating map modulates the update. Refinements are hence concentrated in regions that remain difficult to register. We explore two gating strategies: a learned uncertainty-based approach and an image residual error approach. We evaluate RUGI on cardiac MRI and echocardiography datasets and show consistent improvements over single-step inference. Ablation experiments demonstrate that iterative refinement alone improves registration, but informative spatial gating provides a significant additional benefit. The error-gated variant of RUGI can also be applied directly to existing pretrained models; applied to VoxelMorph, TransMorph, and CycleMorph, it yields MSE reductions of 27-37% with no modification to the original training procedure. The improvements in registration performance are reflected in decreased errors in ejection fraction estimation relative to ground truths. These results demonstrate that spatially selective iterative refinement provides an effective strategy to improve registration accuracy at inference-time.
• Abstract（参考訳）: 従来の画像登録アルゴリズムは、ドメインシフトに対して堅牢で、エラーが少ないが、遅くて計算コストが高い。 ディープラーニング手法は推論時に効率的だが、ドメイン外のサンプルでは課題に直面している。 学習ベース登録モデルにより予測される変形場を反復的に精製するアルゴリズムであるRecursive Uncertainty-Gated Image Registration (RUGI)を提案する。 各イテレーションにおいて、登録モデルは漸進的な変形を予測し、ゲーティングマップは更新を変調する。 そのため、リファインメントは登録が難しい地域に集中している。 学習された不確実性に基づくアプローチと画像残留誤差アプローチの2つのゲーティング戦略について検討する。 心MRIおよび心エコーデータを用いたRUGIの評価を行い,単段階推論よりも一貫した改善が見られた。 アブレーション実験は、反復的洗練だけで登録が改善することを示したが、情報的空間ゲーティングは重要な追加の利益をもたらす。 これはVoxelMorph、TransMorph、CycleMorphに適用され、元のトレーニング手順を変更することなく、MSEの27～37%の削減が得られる。 登録性能の改善は, 地中真実に対する吐出率推定における誤差の低減に反映される。 これらの結果から,空間選択的反復改良は,推論時の登録精度向上に有効な戦略であることが示唆された。

関連論文リスト

• Reg-TTR, Test-Time Refinement for Fast, Robust and Accurate Image Registration [39.078421388240294]
  Reg-TTRは、ディープラーニングと従来の登録技法の相補的な長所を相乗化するテスト時間改善フレームワークである。 提案手法は,事前学習したモデルの予測を推論時に洗練することにより,少ない計算コストで登録精度を大幅に向上させる。 Reg-TTRは、従来のディープラーニング手法に近い推論速度を維持しながら、最先端(SOTA)性能を達成する。
  論文  参考訳（メタデータ） (2026-01-27T02:36:27Z)
• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Fast Diffeomorphic Image Registration using Patch based Fully Convolutional Networks [5.479932919974457]
  本稿では,高速な微分画像登録のための,教師なし学習に基づく完全畳み込みネットワーク(FCN)フレームワークを提案する。 3つの異なるT1強調MRI(T1w MRI)データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-04-05T17:46:38Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• $\texttt{NePhi}$: Neural Deformation Fields for Approximately Diffeomorphic Medical Image Registration [16.388101540950295]
  NePhiは変形を機能的に表現し、メモリ消費の設計空間において大きな柔軟性をもたらす。 我々は,NePhiが単一解像度の登録設定において,ボクセルに基づく表現の精度に一致することを示す。 マルチレゾリューション登録では,現在のSOTA学習ベース登録手法とインスタンス最適化の精度を一致させる。
  論文  参考訳（メタデータ） (2023-09-13T21:21:50Z)
• On-the-Fly Guidance Training for Medical Image Registration [14.309599960641242]
  本研究は,既存の学習ベース画像登録モデルを改善するための新しいトレーニングフレームワークであるOn-the-Fly Guidance(OFG)を紹介する。 本手法では,ラベル付きデータを必要としない登録モデルをトレーニングするための教師付き手法を提案する。 提案手法は,複数のベンチマークデータセットおよび先行モデルでテストされ,性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-08-29T11:12:53Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Constraining Volume Change in Learned Image Registration for Lung CTs [4.37795447716986]
  本稿では,従来の肺登録法の重要な戦略を特定し,深層学習法の開発に成功した。 我々は、粗い方法で画像登録の最適化を解くことができるガウスピラミドに基づくマルチレベルフレームワークを採用している。 本研究は, COPDGeneデータセット上で, 従来よりもはるかに短い実行時間で, 従来の登録方式と比較して, 最先端の成果をアーカイブすることを示す。
  論文  参考訳（メタデータ） (2020-11-29T14:09:31Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)

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。