論文の概要: Latent Space Is Not Flat: Rethinking Latent Structure for 3D Medical Image Synthesis

• arxiv url: http://arxiv.org/abs/2609.32794v1
• Date: Sat, 26 Sep 2026 17:09:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:13:17.015176
• Title: Latent Space Is Not Flat: Rethinking Latent Structure for 3D Medical Image Synthesis
• Title（参考訳）: 潜伏空間は平らではない:3D画像合成のための潜伏構造を再考
• Abstract要約: 我々は、$ell$ objectivesによって誘導される一般的な平坦なマグニチュードの仮定が不正確であることを示す。 潜在状態を構造と残留に分解する潜在フロー構造(LSF)を導入する。 LSFは、グローバルな指標と腫瘍固有の指標の両方で比較されたベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 21.286807124312226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent generative models make 3D medical image synthesis computationally practical by generating in a compressed space. However, we show that the common flat Euclidean assumption induced by $\ell_2$ objectives is imprecise: latent-space geometry is so strongly anisotropic that equal-magnitude errors can produce drastically different decoded distortions. We further find that this anisotropy has a clear feature: sensitive variation concentrates in a low-rank subspace. The dominant low-rank components capture the overall structure, encoding long-range, spatially coordinated variation while remaining resistant to local noise. Its orthogonal residual, in contrast, mainly captures local and image-specific variation. Motivated by this asymmetry, we introduce Latent Structure Flow (LSF). At each block, LSF decomposes the latent state into structure and residual, models structural changes with global context, and predicts residual variation locally while preserving a direct path for the input structure. LSF changes only the generator, leaving the frozen codec and pointwise training objective unchanged. Across cross-modality synthesis and tumor inpainting tasks, LSF outperforms all compared baselines on both global and tumor-specific metrics, demonstrating the benefit of explicitly modeling latent-space structure for 3D medical image synthesis.
• Abstract（参考訳）: 遅延生成モデルは圧縮空間で生成することで3次元医用画像合成を実用的なものにする。 しかし、$\ell_2$の目的によって誘導される一般的な平坦ユークリッドの仮定は不正確である: 潜在空間幾何学は強い異方性を持ち、等大誤差は劇的に異なる復号歪みを生じさせる。 さらに、この異方性は明らかな特徴を持ち、感度変動は低ランク部分空間に集中する。 支配的な低ランク成分は、局所雑音に耐性を持ちながら、長距離で空間的に調整された変動を符号化して全体構造を捉えている。 対照的に直交残差は、主に局所的および画像特異的な変動を捉えている。 この非対称性を動機として,LSF(Latent Structure Flow)を導入する。 各ブロックにおいて、LCFは潜伏状態を構造と残留状態に分解し、グローバルコンテキストで構造変化をモデル化し、入力構造に対する直接経路を保持しながら局所的に残留変化を予測する。 LSFはジェネレータだけを変更し、凍結したコーデックとポイントワイズトレーニングの目的は変わらない。 クロスモダリティ合成と腫瘍の塗布作業全体で、LSFは、グローバルおよび腫瘍特異的な指標で比較されたベースライン全てを上回り、3次元医用画像合成のための潜在空間構造を明示的にモデル化する利点を証明している。

関連論文リスト

• VoxStruct3D: Structure-Leading Flow Matching for Voxel-Space 3D MRI Synthesis [33.836541706312055]
  高忠実度3D MRI合成には、大域的なコヒーレントな解剖学と微細なボクセルレベルの詳細が必要である。 フル解像度MRIボリュームを直接モデル化するボクセル空間フローマッチングフレームワークであるVoxStruct3Dを提案する。 病理学的および健康的なT1強調脳MRIデータセットの実験では、VoxStruct3Dが全体的なパフォーマンスが最も高いことが示されている。
  論文  参考訳（メタデータ） (2026-08-05T07:51:35Z)
• Beyond Isotropic Assumptions: Continuity-Constrained Segmentation and GPU Morphometry for Nanoscale GBM Analysis [1.3107669223114085]
  共焦点顕微鏡による3Dの複雑な生物学的構造を解明する。 セグメンテーションモデルをトレーニングするには、アップサンプリングされた空間で密集したアノテーションが必要であり、これは禁止的なラベル付けの負担である。 我々は、追加のアノテーションなしでこれを克服するエンドツーエンドのGPUアクセラレーションフレームワークを提示します。
  論文  参考訳（メタデータ） (2026-08-04T18:28:19Z)
• GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
  GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。 高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
  論文  参考訳（メタデータ） (2026-07-23T15:52:35Z)
• Reliability-Aware 3D Geometric Injection for Universal Person Re-identification [47.874819213762926]
  本稿では,一貫性を考慮した信頼性ゲートとDual-Stream Residual Fusionによって駆動されるUniversal Monocular 3D-Enhanced ReIDフレームワークを提案する。 本手法は,クリーンドメイン上での競合性能を維持しながら,難易度,構造に敏感なシナリオを改善する。
  論文  参考訳（メタデータ） (2026-07-21T08:54:25Z)
• Physics-Informed Diffusion for Biomechanically Plausible 3D Sign Language Generation [7.824804954393769]
  PIDiffSignはGloss-to-pose変換のための物理インフォームド拡散モデルである。 アーキテクチャとトレーニングの目的の両方に解剖学的制約を組み込む。 実験は、ポーズ精度、関節角の正しさ、分布リアリズム、バックトランスレーション品質において、強い拡散基線に対して一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-07-16T11:01:33Z)
• PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation [105.86385617182879]
  最先端のシングルイメージの3D再構成手法は複雑なハイブリッドアーキテクチャと損失関数に依存していることが多い。 このようなアーキテクチャ上のオーバーヘッドと複雑な損失の定式化は不要であることを示す。 我々は,平易なViT上に構築された最小限の画素空間拡散変換器を導入し,生の3Dポイントマップパッチを直接操作する。
  論文  参考訳（メタデータ） (2026-07-02T17:59:56Z)
• PathoSyn: Imaging-Pathology MRI Synthesis via Disentangled Deviation Diffusion [11.223559964746705]
  磁気共鳴イメージング(MRI)画像合成のための統合生成フレームワークPathoSynを提案する。 PathoSynは、画像病理を安定な解剖学的多様体上の不整合加法偏差として再構成する。 PathoSynは、知覚現実主義と解剖学的忠実性の両方において、全体的拡散とマスク条件ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-29T01:13:50Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)

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。