論文の概要: Where Should the Gaussians Go? Reusable Label-Aware Allocation for Budget-Constrained Gaussian Splatting of Cinematic CT

• arxiv url: http://arxiv.org/abs/2610.20397v1
• Date: Wed, 14 Oct 2026 16:01:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.243655
• Title: Where Should the Gaussians Go? Reusable Label-Aware Allocation for Budget-Constrained Gaussian Splatting of Cinematic CT
• Title（参考訳）: ガウスはどこへ行くべきか : 画像CTの予算制約付きガウス切削法における再利用可能なラベル・アウェア・アロケーション
• Abstract要約: 本稿では,再利用可能なラスタウェアアロケーションフロントエンドを提案する。 患者のCT、ラベル、転送機能を2mm以上の細胞にマッピングする。 患者ごとの最適化なしに、正確にB位置を抽出する。
• 参考スコア（独自算出の注目度）: 1.4932780345357939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anatomical labels help 3D Gaussian splatting preserve vessels in cinematic renderings of CT, but the representation is still found by optimising each patient's scene, where densification decides where Gaussians go, while real-time displays cap their number. We address one part of this process: deciding where a fixed budget of B Gaussians should be placed. We propose a reusable, labelaware allocation front end that maps a patient's CT, labels and transfer function to a density over 2mm cells and draws exactly B positions from it without per-patient optimisation; the other Gaussian attributes are still fitted per patient. The front end is learned once from per-patient optimised scenes and implemented as a population-trained neural prior and an interpretable seven-parameter visibility-aware closed form (VACF). With identical attribute fitting on 20 held-out patients at 10K-100K Gaussians, both raise vessel-masked PSNR over uniform allocation by 4.5-7.1dB and over pruning a dense voxel-aligned model by 1.6-3.3dB. The neural prior does not differ significantly from per-patient optimised allocation at any budget, and VACF is within 0.6dB of it on vessels; on 19 external patients the neural prior again matches it on vessels and VACF is within 0.7dB. As an initialisation for position optimisation, VACF allocation beats per-patient densification on vessels at 10K Gaussians and, at 25K, reaches a higher vessel PSNR after 118s of optimisation than densification after 248s. Under altered rendering presets, VACF transfers to new colours and lighting but not to a label-free transfer function, whereas the neural prior shows the opposite pattern.
• Abstract（参考訳）: 解剖学的ラベルは、CTの撮影レンダリングで血管を3Dガウススプラッティングするのに役立つが、この表現は、各患者のシーンを最適化し、密度がガウスの行き先を決定する。 我々はこのプロセスの1つに対処する: B ガウスの固定予算がどこに置かれるべきかを決定する。 我々は,患者のCT,ラベル,転送機能を2mm以上の細胞にマッピングし,患者ごとの最適化なしに正確にB位置を抽出する再利用可能なラベルウェア配置フロントエンドを提案する。 前端は患者ごとの最適化シーンから一度学習し、集団学習された神経前駆体と解釈可能な7パラメータ可視性クローズドフォーム(VACF)として実装される。 10K-100Kガウシアンで保持された20人の患者に同一の属性アライメントを施すことで、船体を仮設したPSNRを4.5-7.1dB、密度の高いボクセルアライメントモデルを1.6-3.3dBで刈り取った。 神経前駆体は、どの予算でも患者ごとの最適化された割り当てと大きく異なり、VACFは0.6dB以内であり、19の外部患者では神経前駆体が再び血管と一致し、VACFは0.7dB以内である。 位置最適化の初期化として、VACFアロケーションは患者あたりの密度を10Kガウスで上回り、25Kでは248秒後よりも118秒後に高濃度のPSNRに達する。 レンダリングプリセットの変更により、VACFは新しい色やライティングに転送されるが、ラベルのない転送関数には転送されない。

関連論文リスト

• Observation-Anchored Selective Assimilation for Longitudinal Tumor-State Proxy Forecasting in Post-Treatment Glioma [3.4540258577108776]
  グリオーマ患者の治療後のMRIは、患者固有の腫瘍状態のプロキシー推定を更新するための連続的な観察を提供する。 患者固有の状態に中間観察が固定される監視対応のディジタルツインアップデートとして予測を定式化する。
  論文  参考訳（メタデータ） (2026-09-11T04:55:54Z)
• Denoised Variance-Based Pruning with Optimal Brain Bias Compensation [45.88028371034407]
  VBP(Variance-Based Pruning)は、ニューロンを活性化分散に基づいて選択することで有望なパラダイムを導入した。 Denoized Variance-based Pruning with Optimal Brain Bias Compensation (DVBP + OB$2$C)を紹介する。 最先端のトレーニングフリーのパフォーマンスを実現し、50%のプルーニングで、オリジナルのTop-1の精度の90%以上を維持できる。
  論文  参考訳（メタデータ） (2026-08-18T11:23:49Z)
• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• FedCC: A Low-Resource Federated Adaptation of Foundation Models for Robust Corpus Callosum localization in Fetal Ultrasound Images [34.592227505836156]
  胎児US画像におけるコーパス・カロサム(CC)の局在化のためのフレームワークであるFedCCを提案する。 このフレームワークは凍結したDINOv2バックボーンと軽量なYOLOベースの検出ヘッドを統合している。 計算と通信のオーバーヘッドを大幅に減らし、低リソース環境に適したフレームワークとなる。
  論文  参考訳（メタデータ） (2026-06-30T09:02:13Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Domain-Specific Latent Representations Improve the Fidelity of Diffusion-Based Medical Image Super-Resolution [1.9445587388663237]
  拡散アーキテクチャではなく、デフォルトの選択が、再構築品質に対する支配的な制約であることを示す。 他の全てのパイプラインコンポーネントを固定し、一般的な安定拡散VAEをMedVAEに置き換える制御実験では、1.6万以上の医療画像で事前訓練されたドメイン固有のオートエンコーダが+2.91から+3.29dB PSNRの改善をもたらす。
  論文  参考訳（メタデータ） (2026-04-14T00:11:23Z)
• Coronary Artery Segmentation and Vessel-Type Classification in X-Ray Angiography [0.0]
  低コントラスト, 運動, 前向き, 重なり, カテーテルが脱グレード血管セグメンテーションを呈した。 RCAは98.5%(Dice 0.844)、LADは95.4%(0.786)、LCXは96.2%(0.794)である。
  論文  参考訳（メタデータ） (2026-01-24T11:56:49Z)
• Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
  本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。 まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。 転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
  論文  参考訳（メタデータ） (2023-11-17T03:32:11Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
  畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。 総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
  論文  参考訳（メタデータ） (2021-08-17T05:49:43Z)

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。