論文の概要: MultiFlow: Vision-Driven Multimodal fMRI Encoding via Stimulus-Informed Source Flow Matching

• arxiv url: http://arxiv.org/abs/2610.15339v1
• Date: Sun, 11 Oct 2026 04:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.199686
• Title: MultiFlow: Vision-Driven Multimodal fMRI Encoding via Stimulus-Informed Source Flow Matching
• Title（参考訳）: MultiFlow:刺激インフォームドソースフローマッチングによる視覚駆動型マルチモーダルfMRI符号化
• Abstract要約: 現在のfMRI符号化モデルでは、フレーム予測は決定論的回帰であるものの、同一の刺激は、単一点推定では捉えられない神経応答の分布を引き起こす。 本研究では、条件付きフローマッチング(CFM)に基づく生成fMRI符号化フレームワークであるMultiFlowと、Stimulus-Informed Source Flow Matching(SISFM)と呼ばれる定式化を導入する。 SISFMは拡散トランスフォーマ(DiT-X)デコーダでインスタンス化され、速度場をパラメータ化し、サブ層アテンション残差、10個の凍結した視覚、音声、言語、オーディオヴィジュアルバックボーンの異種融合、Yeo-networkヘッドをサブオブジェクトとする。
• 参考スコア（独自算出の注目度）: 5.2663741141754175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current fMRI encoding models frame prediction as deterministic regression, yet identical stimuli evoke a distribution of neural responses (arising from physiological noise, hemodynamic variability, and cognitive fluctuations) that a single point estimate cannot capture. This work introduces MultiFlow, a generative fMRI encoding framework based on Conditional Flow Matching (CFM) and a formulation termed Stimulus-Informed Source Flow Matching (SISFM). SISFM generalises CFM by conditioning the source distribution on the stimulus: a learnable temporal convolution shapes the source mean with an HRF-length receptive field, while a variance head shrinks its scale, shortening the expected transport path. SISFM is instantiated with a Diffusion Transformer (DiT-X) decoder parameterising the velocity field, with sub-layer Attention Residuals, heterogeneous fusion of ten frozen vision, audio, language, and audiovisual backbones, and per-subject Yeo-network heads. On the Algonauts 2025 dataset, a single MultiFlow checkpoint recovers most of the benefit of large deterministic ensembles: it trails the 1000-model TRIBE ensemble in-distribution by 0.003 PCC (0.3163 vs. 0.3195), and the strongest in- and out-of-distribution ensembles (VIBE-20, MedARC-50) by 0.010 and 0.009 PCC, using a single trained model rather than an ensemble of 20-1000. The same checkpoint also provides stimulus-conditioned uncertainty estimates and sample-based diversity.
• Abstract（参考訳）: 現在のfMRI符号化モデルでは、フレーム予測は決定論的回帰であるものの、同じ刺激は、単一点推定では捉えられない神経反応(生理的ノイズ、血行動態、認知的ゆらぎから生じる)の分布を誘発する。 本稿では、条件付きフローマッチング(CFM)に基づく生成fMRI符号化フレームワークであるMultiFlowと、Stimulus-Informed Source Flow Matching(SISFM)と呼ばれる定式化を紹介する。 SISFMは、ソース分布を刺激に条件付け、CFMを一般化する: 学習可能な時間的畳み込みは、ソース平均をHRF長の受容磁場で形作るが、分散ヘッドはそのスケールを縮小し、期待される輸送経路を短縮する。 SISFMは、速度場をパラメータ化した拡散変換器(DiT-X)デコーダでインスタンス化され、サブレイヤのアテンション残差、10個の凍結したビジョン、オーディオ、言語、オーディオヴィジュアルバックボーンの異種融合、Yeo-networkヘッドのサブオブジェクトである。 アルゴノート2025データセットでは、1000モデルのTRIBEアンサンブルを0.003 PCC (0.3163 vs. 0.3195)、最強のイン・オブ・アウト・ディストリビューション・アンサンブル(VIBE-20, MedARC-50)を0.010と0.009 PCCのアンサンブルではなく、単一のトレーニングされたモデルを用いて、大きな決定論的アンサンブルの利点を回復する。 同じチェックポイントは、刺激条件付き不確実性推定とサンプルベースの多様性も提供する。

関連論文リスト

• Mind the Rift: Cross-Scale Coupling Mismatch for AI-Generated Video Detection [10.264738258468254]
  クロススケールカップリングミスマッチは新しい法医学的信号である。 自然ビデオでは、マクロレベルの時間的ダイナミクスとマイクロレベルの残留パターンは、統合されたイメージング物理パイプラインによって本質的に結合される。 しかし、この共同分布を明示的に保持していないトレーニング目的を持つAIジェネレータは、この結合を体系的に違反する。 このようなミスマッチの検出は、両方のスケールで独立して情報を抽出する必要があるため、難しい。
  論文  参考訳（メタデータ） (2026-09-01T05:23:48Z)
• Functional MRI Time Series Generation via Wavelet-Based Image Transform and Spectral Flow Matching for Brain Disorder Identification [11.757645382221854]
  fMRIは、血液酸素レベル依存係数(BOLD)信号を経時的に測定することで、非侵襲的な脳活動へのアクセスを提供する。 fMRIの資源集約性は、データ駆動分析モデルに必要な高忠実度サンプルの入手を制限している。 本稿では,スペクトルフローマッチングを用いたBOLD信号の二重周波数表現を行う新しいfMRI生成フレームワークであるDSpec(Dual-temporaltral Flow Matching)を提案する。
  論文  参考訳（メタデータ） (2026-05-28T09:12:45Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• WFM: 3D Wavelet Flow Matching for Ultrafast Multi-Modal MRI Synthesis [6.254452637507739]
  WFM(Wavelet Flow Matching, ウェーブレットフローマッチング)は, ウェーブレット空間における条件付きモーダル性の平均から, ターゲット分布への直接フローを学習する手法である。 BraTS 2024では、WFMは拡散ベースラインの1-2dB以内で26.8dB PSNRと0.94SSIMを達成した。
  論文  参考訳（メタデータ） (2026-04-22T23:19:50Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)

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。