論文の概要: TopoFuse: Topology-Aware Tri-Planar Fusion for 3D Cryo-Electron Tomography Segmentation
- arxiv url: http://arxiv.org/abs/2609.29717v1
- Date: Mon, 31 Aug 2026 16:56:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.118238
- Title: TopoFuse: Topology-Aware Tri-Planar Fusion for 3D Cryo-Electron Tomography Segmentation
- Title（参考訳）: TopoFuse:3次元心電図分割のためのトポロジー対応トリプラナーフュージョン
- Abstract要約: TopoFuseを導入し、トポロジを損失ペナルティではなく、微分可能なプロジェクション演算子として再設計する。
3つのCryo-ETベンチマークで、TopoFuseは、最強のソフトロスベースラインに対してベッチ数エラーを54%削減する。
さらにDiceを4.6ポイント改善し、ボクセルの3.1%しか編集できない。
- 参考スコア（独自算出の注目度）: 6.732860613921609
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated segmentation of cryo-electron tomograms routinely produces masks that are voxel-accurate but topologically broken: membranes fragment, organelles merge into one another, and enclosed cavities collapse. Existing topology-aware losses reduce these violations but cannot eliminate them, because topology is encouraged through gradient pressure rather than structurally enforced. We introduce TopoFuse, which reframes topology as a differentiable projection operator rather than a loss penalty. At each forward pass, the projection operator $\mathrm{Proj}_T$ (a PH-guided sparse edit) identifies the critical voxels responsible for topological violations via bottleneck matching and applies sparse edits to satisfy a specified topology target (diagram feature counts and lifetime budgets) for dimensions $d \in \{0,2\}$. If the projection converges, the output satisfies those constraints on the downsampled grid ($s=2$); when it does not, a repair certificate exposes this explicitly, enabling downstream filtering. A topology prior head predicts the correction target directly from input features, removing any dependence on ground-truth topology at inference. Across three cryo-ET benchmarks, TopoFuse reduces Betti number error by 54% over the strongest soft-loss baseline ($p < 0.001$), improves Dice by 4.6 points, and edits only 3.1% of voxels to achieve this.
- Abstract（参考訳）: 低温電子トモグラフィーの自動セグメンテーションは、通常、ボクセルが正確なが位相的に壊れたマスクを生産する:膜断片、オルガネラが互いに融合し、空洞が崩壊する。
既存のトポロジを意識した損失はこれらの違反を減少させるが、トポロジは構造的に強制されるのではなく、勾配圧力によって促進されるため、それらを取り除くことはできない。
TopoFuseを導入し、トポロジを損失ペナルティではなく、微分可能なプロジェクション演算子として再設計する。
プロジェクション演算子 $\mathrm{Proj}_T$ (PH-guided sparseEdit) は、ボトルネックマッチングによってトポロジ的違反の原因となる臨界ボクセルを特定し、特定のトポロジターゲット(ダイアグラムの特徴数と寿命予算)を満たすためにスパース編集を適用する。
プロジェクションが収束すると、出力はダウンサンプルグリッド(s=2$)上のこれらの制約を満たす。
トポロジ先行ヘッドは、入力特徴から直接補正対象を予測し、推論時の地絡トポロジへの依存を除去する。
3つのCryo-ETベンチマークで、TopoFuseは、最強のソフトロスベースライン(p < 0.001$)に対してベッチ数エラーを54%削減し、Diceを4.6ポイント改善し、これを達成するためにボクセルの3.1%しか編集しない。
関連論文リスト
- DISTA-Net++: Rethinking Infrared Small Target Unmixing Beyond Sub-Pixel Separation [50.40058918817059]
長距離赤外線画像は、回折制限されたシグネチャが1つの識別不能なブロブに融合する密度の高いターゲットクラスタに対向する。
DisTA-Net++は2つの相乗的なメカニズムで動的に展開するバックボーンをアンカーする。
DisTA-Net++は、CSO-mAPが16.15%、62.96%の精度で、計算の6分の1に過ぎない。
論文 参考訳（メタデータ） (2026-09-16T14:57:11Z) - FPicker: Topology-Guided Evolution for Filament Tracing in Low-SNR Microscopy [14.980713248913732]
FPickerは、Cryo-Electron Microscopyにおける3次元フィラメント追跡のためのトポロジー誘導フレームワークである。
中心端表現と開曲線展開モジュールを通じて知覚を統一し、非循環接続を明示的にモデル化する。
実世界のEMPIARデータセットのゼロショット性能は強靭なトポロジカルな抵抗を示し、微調整によって最先端の82.9%のmSAPを達成した。
論文 参考訳（メタデータ） (2026-09-08T06:25:44Z) - Feature Priming in Online Linear Regression: Sparse-Regret Lower Bounds and a Tight Univariate Rate [47.36630149538994]
高次元のオンライン予測では、最良の予測子はいくつかの機能にのみ依存する可能性があるため、後悔は周囲の次元ではなく、疎らさでスケールすべきである。
WarmuthとAmidはCOLT 2023で、これらの3つのルールのいずれかが競合するオンライン後悔の保証を認めているかどうかを尋ねた。
安価なニュアンスは、リフィットが真の予測座標を過度に重くする原因となる。
論文 参考訳（メタデータ） (2026-08-18T09:32:03Z) - Level-Crossing Density as a Mesh-Free High-Frequency Auxiliary Loss for Implicit Neural Representations [0.0]
格子も複雑も永続性もない連続神経場に対するスムーズなモンテカルロ推定器を導出する。
推定器は2Dと3Dの正確なトポロジーに対して1-3%の精度で、1イテレーションあたり約3ミリ秒の費用がかかる。
しかし、3Dニューラル-SDFフィッティングでは、任意のサンプルソフトトポロジーの目的に対して一般的な障害モードが現れると信じている。
論文 参考訳（メタデータ） (2026-07-07T04:23:23Z) - Rethinking the Pointer Loss in Table Structure Recognition: Geometry-Aware Pointer Loss for Spatial Locality [12.986158862036866]
ポインタネットワークを用いたテーブル構造認識は、検出されたテキスト(またはセル)領域にタグをアライメントしながらHTMLシーケンスを予測することで、印象的な結果を得る。
ポインタネットワークが失敗すると、79.6%のエラーが発生する。
本研究では,地中真理に近接した空間的近さに基づくクロスエントロピー目的の重み付けを行うGAPロスを提案する。
論文 参考訳（メタデータ） (2026-06-17T05:59:31Z) - Imbuing Large Language Models with Bidirectional Logic for Robust Chain Repair [44.80087038178069]
本稿では,デコーダのみのトランスフォーマーをネイティブに組み込んだトレーニングフレームワークであるTeleological Reasoning Infilling (TRI)を紹介する。
推測では、TRIは二重システムループ内の外科的修復モジュールとして動作する。
3つのベンチマークの実験では、TRIは全てのタスクで最先端のパフォーマンスを達成し、プロブレム当たりのトークン支出を31.2%削減した。
論文 参考訳（メタデータ） (2026-06-03T15:58:48Z) - Prediction Bottlenecks Don't Discover Causal Structure (But Here's What They Actually Do) [11.664243197168403]
次のステップの予測のためにのみ訓練されたMamba状態空間モデルは、単純な読み出しによってGranger-Causal構造を復元しているように見える。
我々は、再利用可能なファルシフィケーションベンチマークとしてそのクレームをテストするために使用されるプロトコルをパッケージ化し、そのクレームを5段階に分けた。
ベンチマークは持続するアーティファクトであり、上の各ステージはそのコントロールアームの1つです。
論文 参考訳（メタデータ） (2026-05-09T21:12:55Z) - The Extrapolation Cliff in On-Policy Distillation of Near-Deterministic Structured Outputs [52.709361620508595]
ListOPDは、パラメータの5分の1で8B-SFTベースラインで、学生をドメイン内に持ち込む。
Amazon Fashionでは、3つの事前登録テスト — 細粒度崖間隔テスト、小さなクリップのクロス予測 — がロックされた予測ウィンドウ内に落下し、グリッド解像度以下のクローズドフォーム予測に一致する小さなクリップ値が設定されている。
論文 参考訳（メタデータ） (2026-05-09T06:48:00Z) - SVG-EAR: Parameter-Free Linear Compensation for Sparse Video Generation via Error-aware Routing [77.91660464664615]
Diffusion Transformers (DiTs) はビデオ生成において主要なバックボーンとなっているが、その二次的注意コストは依然として大きなボトルネックとなっている。
本稿では,不足しているコントリビューションをトレーニングなしで回収できることを示す。
パラメータフリーな線形補償分岐であるSVG-EARを導入する。
論文 参考訳（メタデータ） (2026-03-09T22:15:31Z) - Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese
Grammatical Error Correction [49.25830718574892]
本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。
ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。
標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
論文 参考訳（メタデータ） (2021-06-03T05:56:57Z)
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。