論文の概要: Atlases Are Already Inside: Recovering Population Templates from Pretrained Diffusion Models
- arxiv url: http://arxiv.org/abs/2609.30566v1
- Date: Thu, 24 Sep 2026 21:21:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.144506
- Title: Atlases Are Already Inside: Recovering Population Templates from Pretrained Diffusion Models
- Title（参考訳）: アトラスは、既に内部にある。事前訓練された拡散モデルから人口テンプレートを復元する
- Abstract要約: 解放された個体を含むコヒーレント集団を既に学習した拡散モデルは、変形可能な登録を伴わずに単一の推論パスでアトラスを生成する。
ある年齢条件モデルがトレーニング範囲の任意の年齢でアトラスを与え、結果として得られた家族は健康な老化のCSF拡大を再現する。
- 参考スコア（独自算出の注目度）: 51.75529206507079
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new inference-time sampler for diffusion models that gives a pretrained model a capability it was never trained for: constructing the atlas of the population it synthesizes. The sampler converges from every random seed to the population's central anatomy, which we call the \emph{intrinsic atlas}. The advantage is threefold. (1) It requires no retraining. A diffusion model that has already learned a coherent population, including the released ones, yields its atlas in a single inference pass without involving deformable registration. (2) It applies to multiple domains, such as brain MRI, chest X-ray, faces, and 3D shapes. (3) It extends to subpopulations. One age-conditioned model gives an atlas at any age in its training range, and the resulting family reproduces the CSF expansion of healthy aging. Evaluated as a registration target, the intrinsic atlas is best or second-best on every dataset against classical and learned templates, and the most central template on held-out brain MRI cohorts. Atlas construction can be reframed as a byproduct of generative modeling: a diffusion model is a learned representation of population structure, and the atlas is what it already contains.
- Abstract（参考訳）: そこで本研究では, 事前学習したモデルに対して, 合成した個体群のアトラスを構築するという, 訓練を受けなかった能力を与える, 拡散モデルのための新しい推論時間サンプリング器を提案する。
サンプルはすべてのランダムシードから集団の中央解剖に収束し、ここでは 'emph{intrinsic atlas} と呼ぶ。
利点は3倍だ。
1)再訓練は不要。
解放された個体を含むコヒーレント集団を既に学習した拡散モデルは、変形可能な登録を伴わずに単一の推論パスでアトラスを生成する。
2)脳MRI,胸部X線,顔,三次元形状などの複数の領域に適用できる。
(3)サブポピュレーションにまで拡張する。
ある年齢条件モデルがトレーニング範囲の任意の年齢でアトラスを与え、結果として得られた家族は健康な老化のCSF拡大を再現する。
登録対象として評価され、内在性アトラスは、古典的および学習されたテンプレートに対する全てのデータセットにおいて最高または第二のベストであり、保持された脳MRIコホート上で最も中心的なテンプレートである。
拡散モデルは集団構造の学習された表現であり、アトラスが既に含んでいるものである。
関連論文リスト
- Selective Underfitting in Diffusion Models [62.51850508420274]
拡散モデルは,学習時間の帰納バイアスによる経験的スコアに不適合である。
スコアを至る所で不適合にする代わりに、より良い拡散モデルは入力空間の特定の領域のスコアをより正確に近似し、他の領域では不適合にする。
その結果, 拡散モデルを理解するためには選択的不適合性が不可欠であることが確認され, 一般化と生成性能に関する新たな検証可能な知見が得られた。
論文 参考訳（メタデータ） (2025-10-01T19:06:20Z) - Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。
各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
論文 参考訳（メタデータ） (2024-04-02T21:51:39Z) - Diff-Def: Diffusion-Generated Deformation Fields for Conditional Atlases [13.990172734802286]
条件付きアトラスは、人口統計学や病理学のような特定の条件によって定義された特定のサブ人口をターゲットにしている。
既存のアプローチでは、大きな解剖学的変異を処理できない場合が多い登録ベースの方法のいずれかを使用している。
本稿では, 潜在拡散モデルを用いて変形場を生成し, 一般集団アトラスを特定のサブ集団を表すものに変換することを提案する。
論文 参考訳（メタデータ） (2024-03-25T13:52:48Z) - Modeling and Forecasting COVID-19 Cases using Latent Subpopulations [8.69240208462227]
新型コロナウイルス感染者数を時間とともにモデル化する2つの新しい方法を提案する。
メソッド#1は辞書ベースのアプローチであり、多くの事前定義されたサブポピュレーションモデルから始まる。
メソッド#2はM$の混合可能な曲線であり、M$、使用するサブポピュレーションの数である$M$は、ユーザによって与えられる。
論文 参考訳（メタデータ） (2023-02-09T18:33:41Z) - Hierarchically branched diffusion models leverage dataset structure for
class-conditional generation [0.6800113478497425]
分岐拡散モデルは従来のモデルと同じ拡散過程に依存するが、階層の各分岐について別々に逆拡散を学ぶ。
いくつかのベンチマークと大規模実世界の科学データセットで分岐拡散モデルを広範囲に評価した。
論文 参考訳（メタデータ） (2022-12-21T05:27:23Z) - OCD: Learning to Overfit with Conditional Diffusion Models [95.1828574518325]
入力サンプルxに重みを条件付けした動的モデルを提案する。
基本モデルを x とそのラベル y 上で微調整することで得られる重みに一致することを学習する。
論文 参考訳（メタデータ） (2022-10-02T09:42:47Z) - A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。
時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。
本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文 参考訳（メタデータ） (2022-09-06T16:56:21Z)
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。