論文の概要: StimFlow: Synthesizing Brain Activity from Images via Stimulus-conditioned Flow Matching

• arxiv url: http://arxiv.org/abs/2610.15341v1
• Date: Sun, 11 Oct 2026 04:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.200369
• Title: StimFlow: Synthesizing Brain Activity from Images via Stimulus-conditioned Flow Matching
• Title（参考訳）: StimFlow: 刺激条件付きフローマッチングによる画像からの脳活動の合成
• Abstract要約: 線形経路と条件付きフローマッチングを用いて,fMRIを直接ネイティブなボクセル空間で合成するStimFlowを提案する。 1つのサンプルで、StimFlowはボクセルあたりのピアソン相関を0.371で達成し、平均5つのドローの基準線と一致する。 わずか1時間のスキャンから全データパフォーマンスの半分以上を回復し、効率的なクロスオブジェクト適応をサポートする。
• 参考スコア（独自算出の注目度）: 4.970078785360121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The inherent variability of fMRI responses across trials encourages a generative view of the stimulus-to-response mapping. Prior generative encoders often operate in compressed latent spaces and condition predominantly on semantic features, which provide limited low-level cues for early visual cortex. We propose StimFlow, which synthesizes fMRI directly in native voxel space using conditional flow matching with a linear path. This design aligns training and inference distributions, enabling competitive performance with a single sample and reducing reliance on averaging. To match the visual hierarchy, StimFlow combines structural DINOv2 features with semantic CLIP features, which prove complementary along the cortical processing stream. With a single sample, StimFlow achieves a per-voxel Pearson correlation of 0.371, matching baselines that average five draws. Generation in voxel space allows direct ROI analysis and concept localization without a decoder. Furthermore, it recovers over half of full-data performance from just one hour of scans, supporting efficient cross-subject adaptation.
• Abstract（参考訳）: 臨床試験におけるfMRI応答の固有の変動は、刺激-応答マッピングの生成的ビューを促進する。 初期生成エンコーダは、しばしば圧縮された潜在空間で動作し、主に意味的特徴に基づいて、初期視覚野に対して限られた低レベルの手がかりを提供する。 線形経路と条件付きフローマッチングを用いて,fMRIを直接ネイティブなボクセル空間で合成するStimFlowを提案する。 この設計は、トレーニングと推論の分布を整合させ、単一のサンプルで競合性能を実現し、平均化への依存を減らす。 視覚的階層に合わせるために、StimFlowは構造的DINOv2機能とセマンティックCLIP機能を組み合わせる。 1つのサンプルで、StimFlowはボクセルあたりのピアソン相関を0.371で達成し、平均5つのドローの基準線と一致する。 ボクセル空間の生成は、デコーダなしで直接ROI分析と概念ローカライゼーションを可能にする。 さらに、1時間分のスキャンから全データ性能の半分以上を回復し、効率的なクロスオブジェクト適応をサポートする。

関連論文リスト

• MultiFlow: Vision-Driven Multimodal fMRI Encoding via Stimulus-Informed Source Flow Matching [5.2663741141754175]
  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。
  論文  参考訳（メタデータ） (2026-10-11T04:33:44Z)
• AREX: Affine-Residual Exponential Integrator for Few-Step Sampling in Flow Matching [10.526976206873387]
  AREXは、事前訓練されたフローマッチングモデルのためのトレーニング不要のサンプルである。 モーメントマッチングされたガウス目標の速度場は、限界速度場に対する最適アフィン近似$L2$であることを示す。
  論文  参考訳（メタデータ） (2026-10-02T15:50:49Z)
• ODE-free Neural Flow Matching for One-Step Generative Modeling [4.319549155064877]
  拡散およびフローマッチングモデルは、データにノイズを伝達する時間依存ベクトル場を学習することでサンプルを生成する。 本稿では,フローマップとニューラルフローをパラメータ化するODEフリーな生成フレームワークOT-NFMを提案する。 本研究では,不整合なノイズデータペアリングがすべての出力をデータ平均に向かって駆動する場合,フローマップ学習が平均崩壊に苦しむことを示す。
  論文  参考訳（メタデータ） (2026-04-07T19:49:57Z)
• Low-Rank-Modulated Functa: Exploring the Latent Space of Implicit Neural Representations for Interpretable Ultrasound Video Analysis [0.9413864081589388]
  Inlicit Neural representations (INR) は連続的な画像表現学習のための強力なフレームワークとして登場した。 Functaベースのアプローチでは、各画像は、共有INRを条件付けし、強い再構成性能を実現する潜在変調ベクトルとして符号化される。 時間分解潜在空間における変調の低ランク適応を実現する新しいアーキテクチャであるLow-Rank-Modulated Functa (LRM-Functa)を提案する。
  論文  参考訳（メタデータ） (2026-03-26T22:46:27Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• Gumbel-Softmax Flow Matching with Straight-Through Guidance for Controllable Biological Sequence Generation [45.105452288011726]
  連続的単純体におけるフローマッチングはDNA配列設計の有望な戦略として現れてきたが、タンパク質生成に必要な高い単純体次元へのスケールに苦慮している。 本稿では,Gumbel-Softmax 補間剤を時間依存性温度で合成し,Gumbel-Softmax Flow と Score Matching を導入した。 我々のフレームワークは、高品質で多様な生成を可能にし、高次元の単純化に効率的にスケールすることができる。
  論文  参考訳（メタデータ） (2025-03-21T17:59:43Z)
• Boundary-aware Decoupled Flow Networks for Realistic Extreme Rescaling [49.215957313126324]
  Invertible rescaling Network (IRN) やgenerative adversarial Network (GAN) などを含む最近の生成手法は、画像再スケーリングにおいて例外的な性能を示した。 しかし、IRNベースの手法は過度に滑らかな結果を生成する傾向にあり、一方、GANベースの手法は偽の細部を容易に生成する。 本稿では,現実的かつ視覚的に満足な結果を生成するために,境界対応デカップリングフローネットワーク(BDFlow)を提案する。
  論文  参考訳（メタデータ） (2024-05-05T14:05:33Z)
• 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)
• Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
  ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。 既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
  論文  参考訳（メタデータ） (2023-09-07T06:41:15Z)

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。