論文の概要: Skeleton-Guided Progressive Test-Time Adaptation for Thin Curvilinear Structures

• arxiv url: http://arxiv.org/abs/2610.11104v1
• Date: Thu, 08 Oct 2026 02:19:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.739743
• Title: Skeleton-Guided Progressive Test-Time Adaptation for Thin Curvilinear Structures
• Title（参考訳）: 細線構造に対する骨格誘導進行試験時間適応法
• Abstract要約: SGP-TTA(Skeleton-Guided Progressive Test-Time Adaptation)を提案する。 SGP-TTAは、トポロジカル接続において既存のTTA法を一貫して上回り、最大のマージンはモダリティシフトである。
• 参考スコア（独自算出の注目度）: 1.3809606428214651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate segmentation of thin curvilinear structures is vital for various real-world applications, from vessel analysis to road extraction. Yet their intricate geometry makes even minor pixel-wise errors enough to break the global topology, and this structural fragility turns severe domain shifts into catastrophic failures. The difficulty is most acute under cross-modality gaps, where the imaging process itself differs fundamentally between source and target. While test-time adaptation (TTA) offers a practical source-free remedy, existing methods adapt feature statistics and confidence, neither of which constrains connectivity, and thus degrade under such extreme gaps. To address this, we propose Skeleton-Guided Progressive Test-Time Adaptation (SGP-TTA). Progressive Batch Normalization (ProgBN) shifts normalization from frozen source statistics toward current target estimates under a sample-count schedule, so that the source-target balance follows the stage of adaptation rather than a fixed coefficient. Consensus Skeleton Recall (CSR) then derives a structural target from geometrically aligned multi-view predictions and updates only the BN affine parameters to preserve connected structures. Extensive experiments show that SGP-TTA consistently outperforms existing TTA methods in topological connectivity, with the largest margins under cross-modality shift. The project page is available at https://boa-jang.github.io/SGP-TTA.
• Abstract（参考訳）: 船体解析から道路抽出まで, 細線構造の正確なセグメンテーションは, 実世界の様々な応用に不可欠である。 しかし、それらの複雑な幾何学は、地球トポロジーを壊すのに十分な小さなピクセル単位の誤差を生じさせ、この構造的不安定さは、厳しい領域シフトを破滅的な失敗へと変える。 この困難さは、画像プロセス自体がソースとターゲットとに根本的に異なる、モダリティのギャップの中で最も急性である。 テスト時間適応(TTA)は、実用的なソースフリーの治療法を提供するが、既存の手法は機能統計と信頼性に適応する。 そこで我々はSkeleton-Guided Progressive Test-Time Adaptation (SGP-TTA)を提案する。 プログレッシブバッチ正規化(ProgBN)は、正規化を凍結源統計からサンプルカウントスケジュールの下で現在の目標推定にシフトさせるため、ソース・ターゲットバランスは固定係数ではなく適応の段階に従う。 コンセンサス・スケルトン・リコール(CSR)は、幾何学的に整列された多視点予測から構造目標を導出し、連結構造を保存するためにBNアフィンパラメータのみを更新する。 大規模な実験により、SGP-TTAはトポロジカル接続において既存のTTA法より一貫して優れており、最大のマージンはモダリティシフトであることがわかった。 プロジェクトページはhttps://boa-jang.github.io/SGP-TTAで公開されている。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration [14.194086645453767]
  画素間画像の登録は、重度の非線形ラジオメトリックと不確実性のために困難である。 本稿では,高密度モーダルフロー推定を再構成する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-06-29T15:58:25Z)
• Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation [12.965117238061096]
  TopoTTAは、トポロジ的データ分析のツールである永続的ホモロジーをテスト時間パイプラインに統合する、新しいフレームワークである。 軽量なテストタイム分類器を導く頑健なトポロジカルな擬似ラベルを導出し、バックボーンモデルを再訓練することなくセグメンテーション品質を向上させる。 大規模な実験では、最先端の教師なし異常検出およびセグメント化手法よりも平均15%のF1改善が示されている。
  論文  参考訳（メタデータ） (2026-06-26T17:04:42Z)
• Geometry-Anchored Transport Framework for Exemplar-Free Class-Incremental Learning [6.63181149575886]
  巨視的異方性ドリフトを緩和するGeometry-Anchored Transport Frameworkを提案する。 また、局所化多様体の分解を正規化するトポロジー・アウェア進化の目的も導入する。 CIFAR-100、TinyImageNet、ImageNet-100にわたる実験では、提案されたフレームワークが既存のポストホック代替品を一貫して改善していることが示されている。
  論文  参考訳（メタデータ） (2026-06-24T03:27:20Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
  CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。 ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
  論文  参考訳（メタデータ） (2026-02-16T13:53:23Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
  テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。 本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:44Z)
• Targeted Deep Architectures: A TMLE-Based Framework for Robust Causal Inference in Neural Networks [41.07059178065932]
  ネットワークのパラメータ空間に直接、TMLE(Targeted Likelihood Estimation)を直接埋め込む新しいフレームワークであるTDA(Targeted Deep Architectures)を提案する。 TDAはモデルパラメータを分割し、ターゲットの勾配に沿って反復的に更新する。 この手順は、一階偏差を除去し、有効な信頼区間を生成するプラグイン推定を与える。
  論文  参考訳（メタデータ） (2025-07-16T17:24:06Z)
• Test-time Batch Statistics Calibration for Covariate Shift [66.7044675981449]
  我々は,推論中に深層モデルを新しい環境に適応させることを提案する。 バッチ統計の校正に$alpha$-BNの一般的な定式化を提案する。 また、統合テスト時間適応フレームワークCoreを形成するための新しい損失関数も提示する。
  論文  参考訳（メタデータ） (2021-10-06T08:45:03Z)

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。