論文の概要: Really Need Recursion? Revisiting One-pass Registration with Multi-level Multi-space Contextual Guidance

• arxiv url: http://arxiv.org/abs/2610.22423v1
• Date: Thu, 15 Oct 2026 03:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.583962
• Title: Really Need Recursion? Revisiting One-pass Registration with Multi-level Multi-space Contextual Guidance
• Title（参考訳）: 再帰が本当に必要か? マルチレベルマルチスペース・コンテクストガイダンスによるワンパス登録の再検討
• Abstract要約: マルチレベルマルチスペースコンテキストガイダンスを用いたワンパス登録ネットワークであるM2CGを提案する。 M2CGは、教師なし(ラベルなし)と半教師なし(部分訓練データのセグメンテーションラベル付き)の両方の登録をサポートする。 8つの公開データセットを持つ2つの患者間/院内医療登録タスクで最先端のパフォーマンスを達成した。
• 参考スコア（独自算出の注目度）: 4.757526231904353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable image registration is a fundamental challenge in medical image analysis. Recent deep learning-based methods typically adopt either one-pass architectures that complete registration in a single network iteration, or recursive architectures that refine registration through multiple passes. While recursive methods often improve accuracy, they incur substantial computational overhead and slower inference speed. In this paper, we challenge the necessity of recursion for high-performance deformable registration and propose M2CG, a one-pass registration network with Multi-level Multi-space Contextual Guidance. It performs multi-step progressive pyramid registration within a single iteration, guided at each step by contextual cues from three levels (previous, current, and subsequent steps) and four spaces (image space, image feature space, segmentation space, and segmentation feature space). Our M2CG supports both unsupervised (without any labels) and semi-supervised (with segmentation labels for partial training data) registration, and has achieved state-of-the-art performance across two well-benchmarked inter-/intra-patient medical registration tasks with eight public datasets. Our findings suggest that the current reliance on recursion may stem from the absence of sufficient contextual cues that comprehensively characterize the remaining distance to the target alignment.
• Abstract（参考訳）: 変形可能な画像登録は、医用画像解析の基本的な課題である。 最近のディープラーニングベースの手法では、単一のネットワークイテレーションで登録を完了するワンパスアーキテクチャや、複数のパスを通じて登録を洗練させる再帰的アーキテクチャを採用するのが一般的である。 再帰的手法はしばしば精度を向上するが、計算オーバーヘッドが大きくなり、推論速度が遅くなる。 本稿では,高性能な変形可能な登録のための再帰の必要性に挑戦し,マルチレベルマルチスペース・コンテクスト・ガイダンスを用いたワンパス登録ネットワークであるM2CGを提案する。 単一のイテレーション内で多段階のプログレッシブピラミッド登録を実行し、3つのレベル(以前の、現在の、そしてその後のステップ)と4つの空間(画像空間、画像特徴空間、セグメンテーション空間、セグメンテーション特徴空間)からコンテキスト的キューによって各ステップでガイドされる。 我々のM2CGは、教師なし(ラベルなし)と半教師付き(部分的なトレーニングデータのためのセグメンテーションラベル付き)の両方の登録をサポートしており、8つの公開データセットを持つ2つの患者間医療登録タスクで最先端のパフォーマンスを達成した。 以上の結果から,現在の再帰への依存は,目標アライメントまでの残りの距離を包括的に特徴付ける十分な文脈的手がかりが欠如していることが示唆された。

関連論文リスト

• Registration is a Representation Problem: Solving Whole-Body PET/CT Registration [14.539995421961919]
  本稿では,解剖学の相補的表現を用いて対応を確立する手法を提案する。 我々は,Learner2Reg 2026 PSMAReg ChallengeにおけるPET/CTの縦断的登録の有用性を実証した。
  論文  参考訳（メタデータ） (2026-10-13T17:45:34Z)
• Register Anything: Estimating "Corresponding Prompts" for Segment Anything Model [10.548119506549998]
  本稿では,複数対の対応するROIを識別する新しい登録アルゴリズムを提案する。 Diceや解剖学的構造上のターゲット登録エラーなどの指標に基づいて、提案された登録は、強度に基づく反復アルゴリズムと学習に基づくDDF予測ネットワークの両方より優れている。
  論文  参考訳（メタデータ） (2025-08-03T10:00:44Z)
• SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling [58.05959902776133]
  私たちはSingle-Passを紹介します。 Reference-Guided Evaluation (SPARE)は、効率的なステップごとのアノテーションを可能にする新しい構造化フレームワークである。 数学的推論(GSM8K, MATH)、マルチホップ質問応答(MuSiQue-Ans)、空間推論(SpaRP)にまたがる4つの多様なデータセットにおけるSPAREの有効性を実証する。 ProcessBenchでは、SPAREがデータ効率のよいアウト・オブ・ディストリビューションの一般化を実証し、トレーニングサンプルの$sim$16%しか使用していない。
  論文  参考訳（メタデータ） (2025-06-18T14:37:59Z)
• SegVG: Transferring Object Bounding Box to Segmentation for Visual Grounding [56.079013202051094]
  ボックスレベルのアノテーションを信号として転送する新しい手法であるSegVGを提案する。 このアプローチでは,ボックスレベルのレグレッションとピクセルレベルのセグメンテーションの両方の信号としてアノテーションを反復的に利用することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:30:45Z)
• One registration is worth two segmentations [12.163299991979574]
  画像登録の目的は、2つ以上の画像間の空間的対応を確立することである。 そこで我々は,より直感的な対応表現として,対応する関心領域(ROI)ペアの集合を提案する。 提案したSAMRegは複数のROIペアのセグメンテーションとマッチングが可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-17T16:14:32Z)
• Fast Diffeomorphic Image Registration using Patch based Fully Convolutional Networks [5.479932919974457]
  本稿では,高速な微分画像登録のための,教師なし学習に基づく完全畳み込みネットワーク(FCN)フレームワークを提案する。 3つの異なるT1強調MRI(T1w MRI)データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-04-05T17:46:38Z)
• Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting [63.95845583460312]
  本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。 提案手法は,3DMatchデータセットの登録リコール率を11%,ScanNetデータセットの登録エラー率を13%向上させる。
  論文  参考訳（メタデータ） (2023-04-02T06:43:40Z)
• Global Multi-modal 2D/3D Registration via Local Descriptors Learning [0.3299877799532224]
  本稿では,術前画像への超音波スイープの登録問題に対する新しいアプローチを提案する。 我々は、密度の高いキーポイント記述子を学び、そこから登録を見積もる。 本手法は, MRボリュームと超音波シーケンスを併用した臨床データセットを用いて評価した。
  論文  参考訳（メタデータ） (2022-05-06T18:24:19Z)
• Consistent Two-Flow Network for Tele-Registration of Point Clouds [74.51029406361997]
  任意のポーズで提示される点群間の登録を可能とし,重複がほとんどあるいは全くない学習ベースの手法を提案する。 本手法は,一群の形状の先行を学習し,部分的な形状を完遂できる新しいニューラルネットワーク設計に基づいている。 個別のフローと比較して、この2フローのトレーニングが堅牢で信頼性の高い遠隔登録につながることを示す。
  論文  参考訳（メタデータ） (2021-06-01T09:03:21Z)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)

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。