論文の概要: CellSplat4D: PSF-Aware 4D Gaussian Splatting for Sparse Robotic Live-Cell Imaging
- arxiv url: http://arxiv.org/abs/2610.04199v1
- Date: Sat, 03 Oct 2026 01:27:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-12 19:25:43.75061
- Title: CellSplat4D: PSF-Aware 4D Gaussian Splatting for Sparse Robotic Live-Cell Imaging
- Title（参考訳）: CellSplat4D:Sparse Robotic Live-Cell ImagingのためのPSF対応4Dガウススプラッティング
- Abstract要約: 生きた細胞を観察するロボット顕微鏡は、望むほど頻繁に見ることはできない。
このようなプラットフォームが生み出すものは、時間を通して個々の細胞の記録である。
このギャップを埋めるためには、4Dガウシアンモデルを、ハードウェアがどんなボリュームで買えるかに合わせる必要がある。
- 参考スコア（独自算出の注目度）: 25.641728130896112
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A robotic microscope watching living cells cannot afford to look as often as it would like. Every volume it acquires costs photons the specimen does not get back, and time owed to other wells. What such a platform exists to produce is a record of individual cells through time: which cell is which from one volume to the next, and which cell divided into which two. Sampling sparsely breaks that record exactly where it matters, and the fault lies in the acquisition schedule rather than in the analysis software. We fill the gaps by reconstructing them, fitting a 4D Gaussian model to whatever volumes the hardware could afford. The model is a cloud of light-emitting blobs, each carrying a position, a shape and a lifetime. Being continuous in time, it renders any missing volume on demand, decoupling how often the robot analyses from how often it can afford to look. The microscope's point-spread function is measured from the data rather than inherited from acquisition metadata or left to the optimizer, because metadata inflates it and the optimizer cannot recover it at all: a wider blur around a smaller blob fits the images equally well. Each blob's lifetime is stored in frames rather than as a fraction of the recording, so that it denotes a fixed duration on any sequence. Unmeasured timesteps are supervised at coarse scale by a 3D U-Net that predicts the intermediate volume directly and estimates no motion field, since a dividing cell becomes two and no motion describes that. On two Cell Tracking Challenge sequences, a C. elegans embryo and a Chinese Hamster Ovarian (CHO), with fidelity scored per cell nucleus, our reconstruction holds the highest nucleus fidelity at every distance from an acquired frame, has the flattest decay across the gap, and best recovers focal planes it was never shown with graceful degradation across the gap.
- Abstract（参考訳）: 生きた細胞を観察するロボット顕微鏡は、望むほど頻繁に見ることはできない。
取得した全ての体積は、標本が戻らない光子と他の井戸に依拠する時間と費用がかかる。
そのようなプラットフォームが存在するのは、時間を通して個々の細胞の記録であり、どの細胞が1つの体積から次の体積に、どの細胞が2つの体積に分裂したかである。
分析ソフトウェアではなく、買収スケジュールに問題があるのだ。
このギャップを埋めるためには、4Dガウシアンモデルを、ハードウェアがどんなボリュームで買えるかに合わせる必要がある。
モデルは発光ブロブの雲で、それぞれが位置、形状、寿命を持っている。
時間内に連続していると、需要に応じて量不足を発生させ、ロボットがどれだけの頻度で見ることができるかから、ロボットが分析する頻度を分離する。
顕微鏡のポイントスプレッド関数は、取得メタデータから継承されるか、あるいはオプティマイザに残されるかではなく、データから測定される。
各ブロブの寿命は記録の断片ではなくフレームに格納され、任意のシーケンス上の一定期間を表す。
非測定時間ステップは、中間体積を直接予測し、移動場を推定しない3次元U-Netによって粗いスケールで管理される。
C. elegans 胚とCHO (Chite Hamster Ovarian) の2つの細胞追跡チャレンジ(英語版)では、細胞核1つ当たりの忠実度が測定された。
関連論文リスト
- Towards Scalable Context-Aware Single-Cell Spatial Transcriptomics Prediction from Histology Images [50.824193996370106]
CellOは、画像ごとのフォワードパスを単一の病理基盤モデルで実行するための効率的なエンドツーエンドフレームワークである。
空間バイアスによる局所的形態的コンテキストを用いて各細胞表現を洗練する,距離遅延型クロスアテンションモジュールを提案する。
本研究は,H&E画像からの単一細胞遺伝子発現予測のためのスケーラブルな基盤を確立する。
論文 参考訳（メタデータ） (2026-09-29T00:40:28Z) - Robust Dreamer: Deviation-Aware Latent Gaussian Memory for Action-Controlled AR Video Generation [89.70897512515477]
アクション制御された画像対ビデオ生成は、インタラクティブな世界シミュレーションにおいて有望なパラダイムであり、各制御信号が即時視覚応答を誘発する。
長時間の自己回帰的なロールアウトに対する視覚的忠実さと3D一貫性を維持することは依然として難しい。
既存の3D認識手法は、textitLatent--RGB Cyclingからの情報損失と、textiterror-free仮説によって引き起こされるトレーニング-推論ギャップという2つの障害により、破滅的なドリフトに悩まされることが多い。
textbfRobust Dreamerという,メモリ拡張フレームワークについて紹介する。
論文 参考訳（メタデータ） (2026-05-29T05:21:33Z) - Sampling-Aware 3D Spatial Analysis in Multiplexed Imaging [6.355732454577005]
高多重顕微鏡は、単一細胞の分解能で組織をリッチに特徴づけることができる。
ほとんどの分析は、本質的に3次元組織組織であるにもかかわらず、2次元の切断に依存している。
直列断面からのスパースかつ一貫した3次元解析を可能にする幾何認識再構成モジュールを提案する。
論文 参考訳（メタデータ） (2026-04-09T06:59:15Z) - Segment Anything for Cell Tracking [2.0382881548515575]
タイムラプス顕微鏡画像のためのゼロショットセルトラッキングフレームワークを提案する。
完全教師なしのアプローチとして、我々の手法は特定のトレーニングデータセットからのバイアスに依存したり、受け継いだりしない。
提案手法は,2次元および大規模3次元タイムラプス顕微鏡ビデオにおける競合精度を実現する。
論文 参考訳（メタデータ） (2025-09-12T03:19:35Z) - Learning Deformable 3D Graph Similarity to Track Plant Cells in
Unregistered Time Lapse Images [17.017730437647977]
本研究では,植物細胞を密に充填した3次元細胞構造を利用して3次元グラフを作成し,正確な細胞追跡を行う新しい学習手法を提案する。
提案アルゴリズムの有効性を,ベンチマークデータセット上での精度と推定時間の観点から示す。
論文 参考訳（メタデータ） (2023-09-20T09:04:01Z) - {\mu}Split: efficient image decomposition for microscopy data [50.794670705085835]
muSplitは、蛍光顕微鏡画像の文脈で訓練された画像分解のための専用アプローチである。
本稿では,大規模な画像コンテキストのメモリ効率向上を実現するメタアーキテクチャである横型文脈化(LC)を提案する。
muSplitを5つの分解タスクに適用し、1つは合成データセットに、もう4つは実際の顕微鏡データから導出する。
論文 参考訳（メタデータ） (2022-11-23T11:26:24Z) - Deep Learning Enabled Time-Lapse 3D Cell Analysis [7.094247258573337]
本稿では, タイムラプスな3Dセル解析手法を提案する。
そこで我々は,細胞下の特徴を正確に局所化し,定量的に分析する問題を考察した。
コードはGithubで入手でき、このメソッドはBisQueポータル経由でサービスとして利用できる。
論文 参考訳（メタデータ） (2022-08-17T00:07:25Z) - Search for temporal cell segmentation robustness in phase-contrast
microscopy videos [31.92922565397439]
本研究では,3次元コラーゲンマトリックスに埋め込まれた癌細胞を分画する深層学習ワークフローを提案する。
また, 癌細胞形態を研究するための幾何学的特徴付け手法を提案する。
2Dセルのセグメンテーションと追跡のための新しいアノテーション付きデータセットと、実験を再現したり、新しい画像処理問題に適応するためのオープンソース実装を導入する。
論文 参考訳（メタデータ） (2021-12-16T12:03:28Z) - Developmental Stage Classification of EmbryosUsing Two-Stream Neural
Network with Linear-Chain Conditional Random Field [74.53314729742966]
発達段階分類のための2ストリームモデルを提案する。
従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。
2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
論文 参考訳（メタデータ） (2021-07-13T19:56:01Z) - AttentionNAS: Spatiotemporal Attention Cell Search for Video
Classification [86.64702967379709]
本稿では,時間的注意のための新しい検索空間を提案する。これにより,検索アルゴリズムはセルの様々な設計選択を柔軟に探索することができる。
検出されたアテンションセルは既存のバックボーンネットワーク(例えばI3DやS3D)にシームレスに挿入することができ、Kinetics-600とMiTのデータセットでビデオの精度を2%以上改善することができる。
論文 参考訳（メタデータ） (2020-07-23T14:30:05Z)
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。