論文の概要: LUMINR: Intensity-conditioned Meta-learned INRs for Accelerated Medical Image Registration

• arxiv url: http://arxiv.org/abs/2610.24046v1
• Date: Fri, 16 Oct 2026 15:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:22:22.661705
• Title: LUMINR: Intensity-conditioned Meta-learned INRs for Accelerated Medical Image Registration
• Title（参考訳）: LUMINR:Intensity-conditioned Meta-learned INRs for Accelerated Medical Image Registration
• Abstract要約: 入射神経表現(INR)は変形可能な画像登録に応用され、軽量ネットワークは空間座標を変形ベクトルにマッピングする。 既存の方法では、画像ペアの集団にわたるイテレーションをメタ学習することで、このコストを削減し、INRの重みを世界規模で条件付けする。 我々は、このペア当たりのフィッティングを加速するフレームワークLUMINRを提案し、代わりに条件付けを局所的に行う。
• 参考スコア（独自算出の注目度）: 0.24802136476858558
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representations (INRs) have been applied to deformable image registration, where a lightweight network maps a spatial coordinate to a deformation vector. Because an INR encodes one specific signal in its parameters, a fresh network must be optimized for every image pair at test time, which is slow. Existing methods reduce this cost by meta-learning an initialization across a population of image pairs, and condition the weights of the INR globally, so the same conditioning applies at every coordinate while the deformation field it initializes varies across the domain. We propose LUMINR, a meta-learning framework that accelerates this per-pair fitting and in which the conditioning is local instead. LUMINR uses an INR that maps a coordinate, together with local intensity and gradient features, to a deformation vector, so the conditioning varies over the domain at the resolution of the field being modelled. Its objective is to find an initialization of the INR parameters from which the network can be fine-tuned to register any unseen pair in only a few optimization iterations. We evaluate LUMINR on 3D deformable registration of brain MRI from the OASIS dataset, where local conditioning and the meta-learned initialization prove complementary: early in fitting they reach a markedly higher accuracy than either does alone. Fine-tuned from that initialization, LUMINR matches the accuracy of the same conditioned INR fit from scratch in roughly a tenth of the gradient steps and a tenth of the wall-clock time, while the deformation fields stay smooth with negligible folding.
• Abstract（参考訳）: 入射神経表現(INR)は変形可能な画像登録に応用され、軽量ネットワークは空間座標を変形ベクトルにマッピングする。 INRはパラメータの1つの特定の信号を符号化するので、新しいネットワークはテスト時にすべてのイメージペアに最適化されなければならない。 既存の手法では、画像ペアの集団間で初期化をメタラーニングし、INRの重みを世界規模で条件付けすることで、このコストを削減している。 本稿では,このペアごとのフィッティングを高速化するメタ学習フレームワークLUMINRを提案する。 LUMINRは、座標を局所的な強度と勾配の特徴とともに変形ベクトルにマッピングするINRを使用する。 その目的は、INRパラメータの初期化を見つけ、そこからネットワークを微調整して、いくつかの最適化イテレーションで見知らぬペアを登録することである。 OASISデータセットから脳MRIの3次元変形可能な登録についてLUMINRを評価し,局所条件付けとメタ学習初期化が相補的であることが確認された。 その初期化から微調整し、LUMINRは勾配ステップの約10分の1と壁時計時間の約10分の1で同一条件のINRがスクラッチから収まる精度と一致し、変形磁場は無視可能な折りたたみで滑らかに保たれる。

関連論文リスト

• Implicit Neural Representations: A Signal Processing Perspective [54.57279006229212]
  入射神経表現(INR)は、離散的なサンプルデータから連続的な機能的表現へと、信号モデリングの根本的な変化を示す。 本稿では、信号処理の観点からのINRの進化を考察し、スペクトル挙動、サンプリング理論、マルチスケール表現を強調する。 医療・レーダ画像の逆問題,圧縮,3次元シーン表現など,幅広い応用分野におけるINRの有用性を強調した。
  論文  参考訳（メタデータ） (2026-04-16T14:12:06Z)
• Adaptive Training of INRs via Pruning and Densification [6.759337697337581]
  本稿では、最適化の過程で暗黙的な神経表現を洗練させる適応的なトレーニングスキームであるAIReを紹介する。 提案手法では,表現能力を向上させるために,ニューロンプルーニング機構を用いて冗長性と入力周波数密度化を回避する。 コードと事前訓練されたモデルは、パブリック使用のためにリリースされる。
  論文  参考訳（メタデータ） (2025-10-27T23:52:46Z)
• Meta-INR: Efficient Encoding of Volumetric Data via Meta-Learning Implicit Neural Representation [4.782024723712711]
  Inlicit Neural representation (INR)は、ボリュームデータを符号化するための有望なソリューションとして登場した。 メタ学習アルゴリズムを用いて,データセットの部分的な観察から初期INRパラメータを学習するための事前学習戦略であるMeta-INRを提案する。 我々は,Meta-INRが,様々なデータセットにまたがる類似ボリュームデータをエンコードする上で有効な,高品質な一般化可能な特徴を効果的に抽出できることを実証した。
  論文  参考訳（メタデータ） (2025-02-12T21:54:22Z)
• Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
  一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。 本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。 我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
  論文  参考訳（メタデータ） (2023-10-09T11:26:58Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Medical Image Registration via Neural Fields [35.80302878742334]
  NIR(Neural Image Registration)と呼ばれる新しいニューラルネットベースの画像登録フレームワークを提案する。 2つの3D MR脳スキャンデータセットの実験により、NIRは登録精度と正規性の両方の観点から最先端のパフォーマンスを得る一方で、従来の最適化ベースの手法よりもはるかに高速に動作していることが示された。
  論文  参考訳（メタデータ） (2022-06-07T08:43:31Z)
• Affine Medical Image Registration with Coarse-to-Fine Vision Transformer [11.4219428942199]
  本稿では,3次元医用画像登録のための学習ベースアルゴリズムであるCoarse-to-Fine Vision Transformer (C2FViT)を提案する。 本手法は, 登録精度, 堅牢性, 一般化性の観点から, 既存のCNNベースのアフィン登録法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-29T03:18:43Z)
• Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
  入射神経表現は、一般的な信号を表す新しい道である。 現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。 メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T18:02:53Z)
• Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
  自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。 単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。 これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
  論文  参考訳（メタデータ） (2020-06-30T10:48:40Z)

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。