論文の概要: TRACE: Topology-Aware Reconnection via Prediction-Adaptive Connectivity Enforcement for Thin-Structure Segmentation

• arxiv url: http://arxiv.org/abs/2610.22210v1
• Date: Thu, 15 Oct 2026 16:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.203981
• Title: TRACE: Topology-Aware Reconnection via Prediction-Adaptive Connectivity Enforcement for Thin-Structure Segmentation
• Title（参考訳）: TRACE: 薄膜セグメンテーションのための予測適応接続性強化による位相認識再接続
• Abstract要約: TRACEは、必要なローカル接続を定義するためにターゲットスケルトンを使用する予測適応型の目的である。 TRACEは高いセグメンテーション精度を維持しながら、トレーニングのオーバーヘッドを低く抑えつつ、接続性とトポロジを改善していることを示す。
• 参考スコア（独自算出の注目度）: 0.014257559724536567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thin, elongated structures are particularly sensitive to connectivity errors, as even a few local segmentation mistakes can disrupt otherwise continuous paths. Existing skeleton-based objectives typically supervise fixed centerline locations and do not account for alternative local routes that may restore connectivity. We propose TRACE, a topology-aware, prediction-adaptive objective that uses a target skeleton to define required local connections. For each connection, TRACE identifies the easiest valid reconnection under the current prediction and jointly supervises its bottleneck with the corresponding skeleton point. The supervision thus adapts to the evolving prediction rather than remaining fixed to the centerline. We further introduce a topology-aware skeleton carrier that preserves both foreground and class-specific topology, enabling reliable definition of these connections. Extensive experiments across six 2D and 3D benchmarks show that TRACE improves connectivity and topology while maintaining strong segmentation accuracy with low training overhead. Code will be released upon acceptance.
• Abstract（参考訳）: 細く細長い構造は特に接続エラーに敏感であり、いくつかの局所的なセグメンテーションミスでさえ、他の連続した経路を妨害する可能性がある。 既存の骨格に基づく目的は通常、固定された中央線の位置を監督し、接続を回復する代替ルートを考慮しない。 提案するTRACEは, トポロジを意識した, 予測適応型オブジェクトであり, ターゲットスケルトンを用いて, 必要な局所接続を定義する。 各接続について、TRACEは現在の予測の下で最も簡単な有効な再接続を特定し、そのボトルネックを対応する骨格点と共同で監督する。 したがって、監督は中心線に固定されたままではなく、進化する予測に適応する。 さらに,前景とクラス固有のトポロジを両立させるトポロジ対応スケルトンキャリアを導入し,これらの接続を確実に定義する。 6つの2Dおよび3Dベンチマークによる大規模な実験により、TRACEはトレーニングオーバーヘッドを低く抑えながら、強いセグメンテーション精度を維持しながら、接続性とトポロジを改善していることが示された。 コードは受理時にリリースされる。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• Refine Connections, Close the Gap: A Reliable Enhancement Framework for Driving Scene Topology [37.913199649253606]
  自律運転においては、シーントポロジの理解は安全な経路計画と移動制御にとって重要である。 現在の手法は個々の地図要素を検出するのに優れているが、接続性の推論は理論的なポテンシャルに劣ることが多い。 TopoEnhanceは,既存の手法の潜在可能性の解放を目的とした新しいトポロジー拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-10-08T01:15:14Z)
• Pair-Centric Graph Rewiring for Over-Squashing via Optimal Transport-Guided Communication Alignment [24.215683640150413]
  グラフのリワイアリングはオーバースカッシングに対する構造的応答を提供する。 変更予算が限られているため、重要な疑問は、どのペアワイズ通信が構造的サポートを必要とするかである。 本稿では,ペア中心グラフ再構成フレームワークであるPairAlignを提案する。
  論文  参考訳（メタデータ） (2026-08-11T08:05:32Z)
• Topology-Aware Parameter-Efficient Adaptation for Cross-Dataset Retinal Vessel Segmentation [9.884864539306669]
  マルチドメインデプロイメントにおける網膜血管のセグメンテーションは、画像条件やアノテーション規則が異なる領域に適応するためにソースモデルを必要とする。 トポロジ応答型ロール構造適応フレームワークであるTAPDecoderFTを提案する。 具体的には、TAPDecoderFTは、デプロイメントドメイン間で固定されたソースパラメータ状態を共有し、ターゲット固有のプライベート/フュージョンフィーチャの混合に低ランク残基を使用し、トレーニング可能な高密度リコンストラクションパスを保持する。
  論文  参考訳（メタデータ） (2026-08-10T06:04:45Z)
• 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)
• Topo-R1: Detecting Topological Anomalies via Vision-Language Models [42.86510112477789]
  トポロジカルな正確性は、血管、神経線維、道路網などの構造にとって重要である。 我々は,様々なトポロジ的異常を検証可能なアノテーションで合成する自動データキュレーションパイプラインを開発した。 次に、トポロジを意識した視覚言語モデルを実現するフレームワークであるTopo-R1を紹介する。
  論文  参考訳（メタデータ） (2026-03-13T15:05:04Z)
• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)

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。