論文の概要: PhaseAT: Fourier Phase Adversarial Training for Medical Image Domain Generalization

• arxiv url: http://arxiv.org/abs/2610.01807v1
• Date: Thu, 01 Oct 2026 14:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.199243
• Title: PhaseAT: Fourier Phase Adversarial Training for Medical Image Domain Generalization
• Title（参考訳）: PhaseAT: 医用画像領域一般化のためのFourier Phase Adversarial Training
• Abstract要約: 本稿では,医療領域の一般化のためのフェーズアウェア・逆行訓練フレームワークであるPathATを紹介する。 PhaseATは、境界位相摂動を反復的に更新することで、フーリエ領域における位相摂動トレーニングビューを形成する。 本手法を2つの挑戦的医学データセット上で検証し,PhaseATが単一ソース領域の一般化において20%以上の改善を達成できることを実証した。
• 参考スコア（独自算出の注目度）: 3.685077289496098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable clinical deployment of deep medical image models is hindered by distribution shifts across scanners, sites, and acquisition protocols. Existing domain generalization (DG) methods often focus on style or intensity diversification, but they can still leave networks dependent on domain-specific texture correlations. Inspired by evidence that Fourier phase encodes semantic structure, we introduce PhaseAT, a phase-aware adversarial training framework for medical DG. PhaseAT forms phase-perturbed training views in the Fourier domain by iteratively updating a bounded phase perturbation while keeping the amplitude spectrum unchanged, thereby stressing spatial organization under matched appearance statistics. Perturbations are applied only to the luminance channel in YCbCr color space to avoid chromatic artifacts. Additionally, a simple phase-saliency mask concentrates updates on the most influential frequencies. The model is trained with a weighted combination of losses on clean and phase-perturbed samples, supporting both single-source and multi-source DG. We validate our method on two challenging medical datasets and demonstrate that PhaseAT achieves over 20% improvement in single-source domain generalization, outperforming several state-of-the-art DG methods. The code implementation is available at: https://github.com/ahmed-sharshar/PhaseAT.
• Abstract（参考訳）: ディープメディカルイメージモデルの信頼性の高い臨床展開は、スキャナー、サイト、取得プロトコル間の分散シフトによって妨げられる。 既存のドメイン一般化(DG)手法はスタイルや強度の多様化に重点を置いていることが多いが、それでもドメイン固有のテクスチャ相関に依存するネットワークを残すことができる。 フーリエ相が意味構造を符号化する証拠に触発されて,医療用DGのための相認識型対人訓練フレームワークであるフェイズATを導入する。 PhaseATは、スペクトルを一定に保ちながら境界位相摂動を反復的に更新することにより、フーリエ領域における位相摂動トレーニングビューを形成する。 摂動は YCbCr 色空間の輝度チャネルにのみ適用され、色的アーティファクトを避ける。 さらに、単純な位相周期マスクは、最も影響力のある周波数の更新に集中する。 このモデルは、単一ソースと複数ソースのDGをサポートするクリーンおよびフェイズパーターブドサンプルの損失の重み付けで訓練されている。 本手法を2つの挑戦的医学データセット上で検証し,PhaseATが単一ソース領域の一般化において20%以上の改善を達成し,いくつかの最先端DG法より優れていることを示す。 コードの実装は、https://github.com/ahmed-sharshar/PhaseAT.comで公開されている。

関連論文リスト

• Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs [59.973833105841685]
  対向移動性を改善するための重要な課題は、異なるモデル間で共有される本質的な視覚的焦点を効果的に捉えることである。 本稿では、FRA-Attackを提案する。このFRA-Attackは、周波数領域の統一正規化の観点から、両方の課題に対処する。 機能アライメントのために、パッチ機能に対する高パスDCTは、冗長なグローバル構造を抑圧し、MLLMの固有の視覚的焦点を持つ高周波帯域の損失に集中する。 勾配最適化のために、代用勾配を変調するテキストモデルに依存しない低パス正規化器である周波数領域勾配正規化(FGR)を導入する。
  論文  参考訳（メタデータ） (2026-05-20T08:15:56Z)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Histopathology Image Normalization via Latent Manifold Compaction [3.9126446725269894]
  ヒストリー染色プロトコル、スキャナー、取得パイプラインの技術的なバリエーションから生じるバッチ効果は、計算病理学において永続的な課題である。 単一ソースデータセットからバッチ不変の埋め込みを学習することにより、画像調和を実現する、教師なし表現学習フレームワークであるLatent Manifold Compaction (LMC)を紹介する。
  論文  参考訳（メタデータ） (2026-02-27T18:26:59Z)
• Cross-Domain Transfer with Self-Supervised Spectral-Spatial Modeling for Hyperspectral Image Classification [5.784164305429653]
  本稿では,自己管理型クロスドメイン転送フレームワークを提案する。 ソースラベルなしで伝送可能なスペクトル-空間結合表現を学習する。 実験結果は、安定した分類性能と強いクロスドメイン適応性を示す。
  論文  参考訳（メタデータ） (2026-01-26T02:52:35Z)
• Frequency Prior Guided Matching: A Data Augmentation Approach for Generalizable Semi-Supervised Polyp Segmentation [5.951218651336557]
  ポリプエッジは、多様なデータセット間で、驚くほど一貫した周波数シグネチャを示す。 FPGMはラベル付きポリープのエッジ領域から前もってドメイン不変周波数を学習する。 ラベルのない画像に対してスペクトル摂動を原則として行い、その振幅スペクトルを学習済みの画像と整合させる。 例外的なゼロショットの一般化能力を示し、データ共有シナリオにおけるDiceスコアの10%以上の絶対的なゲインを達成する。
  論文  参考訳（メタデータ） (2025-07-30T16:08:40Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• Improving Progressive Generation with Decomposable Flow Matching [50.63174319509629]
  Decomposable Flow Matching (DFM)は、ビジュアルメディアのプログレッシブな生成のためのシンプルで効果的なフレームワークである。 Imagenet-1k 512pxでは、DFMはベースアーキテクチャよりも35.2%改善され、ベースラインは26.4%向上した。
  論文  参考訳（メタデータ） (2025-06-24T17:58:02Z)
• Multi-Level Global Context Cross Consistency Model for Semi-Supervised Ultrasound Image Segmentation with Diffusion Model [0.0]
  本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。 提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
  論文  参考訳（メタデータ） (2023-05-16T14:08:24Z)
• A Fourier-based Framework for Domain Generalization [82.54650565298418]
  ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。 本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
  論文  参考訳（メタデータ） (2021-05-24T06:50:30Z)
• TFill: Image Completion via a Transformer-Based Architecture [69.62228639870114]
  画像補完を無方向性シーケンス対シーケンス予測タスクとして扱うことを提案する。 トークン表現には,小かつ重複しないRFを持つ制限型CNNを用いる。 第2フェーズでは、可視領域と発生領域の外観整合性を向上させるために、新しい注意認識層(aal)を導入する。
  論文  参考訳（メタデータ） (2021-04-02T01:42:01Z)

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。