論文の概要: SAR2Net: Learning Spatially Anchored Representations for Retrieval-Guided Cross-Stain Alignment

• arxiv url: http://arxiv.org/abs/2610.26217v1
• Date: Mon, 19 Oct 2026 11:45:04 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:16:51.2955
• Title: SAR2Net: Learning Spatially Anchored Representations for Retrieval-Guided Cross-Stain Alignment
• Title（参考訳）: SAR2Net:Retrieval-Guided Cross-Stain Alignmentのための空間的アンコレート表現の学習
• Abstract要約: SAR2Netは空間的に固定された表現を学習し、クロスステインなアライメントを再構築するフレームワークである。 生検指向のHE-IHCデータセットの実験により、SAR2Netは硬組織歪み下で堅牢な領域レベルのアライメントを実現することが示された。
• 参考スコア（独自算出の注目度）: 2.9432614355904327
• License:
• Abstract: Achieving spatial alignment between whole-slide images(WSIs) across stains is essential for integrating morphology and molecular information, yet it remains challenging due to extreme resolution, tissue fragmentation, and large nonlinear deformations. Conventional registration pipelines depend on global pre-alignment and spatial consistency, which often collapse under such distortions. We present SAR2Net, a framework that learns spatially anchored representations and reformulates cross-stain alignment as a region-level feature retrieval problem. Instead of estimating explicit transformations, SAR2Net learns pointwise representations encoding the relative spatial relationships to tissue landmarks. Given landmarks and arbitrary coordinates, it predicts spatially anchored features that serve as deformation-invariant descriptors of tissue topology. A twostage retrieval framework then establishes correspondences between slides, even when global alignment is infeasible. Experiments on biopsy-oriented HE-IHC datasets show that SAR2Net achieves robust region-level alignment under severe tissue distortions, outperforming previous methods. Code is available at https://github.com/Shentl/SAR2Net.
• Abstract（参考訳）: 染色スライディング画像(WSI)間の空間的アライメントの達成は形態学と分子情報の統合に不可欠であるが, 極端分解能, 組織断片化, および大きな変形により, 依然として困難である。 従来の登録パイプラインは、大域的な事前調整と空間的整合性に依存しており、しばしばそのような歪みの下で崩壊する。 SAR2Netは空間的に固定された表現を学習し、領域レベルの特徴検索問題としてクロスステインアライメントを再構成するフレームワークである。 明示的な変換を推定する代わりに、SAR2Netは組織ランドマークとの相対的な空間的関係をコードするポイントワイズ表現を学習する。 ランドマークと任意の座標が与えられた場合、組織トポロジーの変形不変記述子として機能する空間的に固定された特徴を予測する。 2段階の検索フレームワークは、グローバルアライメントが実現不可能な場合でも、スライド間の対応を確立する。 生検指向のHE-IHCデータセットの実験により、SAR2Netは、組織歪みの激しい条件下で堅牢な領域レベルのアライメントを達成し、従来の手法より優れていることが示された。 コードはhttps://github.com/Shentl/SAR2Netで入手できる。

関連論文リスト

• FDR-Occ: Factorized Dense Routing for Full-Spectrum 3D Occupancy Prediction [63.738631229597274]
  視覚に基づく3次元占有予測は、基本的に2次元から3次元のビュー変換に依存している。 現在のパラダイムは、厳密でスパースなカメラ線にルーティング行列を人工的に制限する明示的な物理射影を主に利用している。 本稿では,このボトルネックを解消するためにFDR(Facterized Dense Routing)を提案する。 本フレームワークは,Occ3D-nuScenesおよびOcc3D-Waymoベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-07-04T11:12:42Z)
• GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
  GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。 GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。 GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-19T12:08:09Z)
• INST-Align: Implicit Neural Alignment for Spatial Transcriptomics via Canonical Expression Fields [1.0487944945684993]
  INST-Alignは、座標ベースの変形ネットワークと共有カノニカル表現場を結合する。 最先端の平均OT精度(0.702)、NN精度(0.719)、チャンファー距離(94.9%)を実現している。 また、生物学的に意味のある空間埋め込みとコヒーレントな3D組織再構築をもたらす。
  論文  参考訳（メタデータ） (2026-04-13T21:44:18Z)
• Region-Point Joint Representation for Effective Trajectory Similarity Learning [25.664203648334563]
  textbfRePoは、textbfRegion-wiseと textbfPoint-wiseの機能をエンコードして、空間コンテキストと微細な移動パターンの両方をキャプチャする新しい方法である。 実験結果から、RePoはSOTAベースラインよりも22.2%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-11-17T08:28:18Z)
• Hierarchical Context Alignment with Disentangled Geometric and Temporal Modeling for Semantic Occupancy Prediction [61.484280369655536]
  カメラを用いた3Dセマンティック占領予測(SOP)は、限られた2次元画像観察から複雑な3Dシーンを理解するのに不可欠である。 既存のSOPメソッドは通常、占有表現学習を支援するためにコンテキストの特徴を集約する。 より正確なSOP(Hi-SOP)のための新しい階層型コンテキストアライメントパラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-11T09:53:10Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• AGL-NET: Aerial-Ground Cross-Modal Global Localization with Varying Scales [45.315661330785275]
  我々は,LiDAR点雲と衛星地図を用いたグローバルローカライゼーションのための新しい学習手法であるAGL-NETを提案する。 我々は,特徴マッチングのための画像と点間の表現ギャップを埋めること,グローバルビューとローカルビューのスケールの相違に対処すること,という2つの重要な課題に取り組む。
  論文  参考訳（メタデータ） (2024-04-04T04:12:30Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• TC-Net: Triple Context Network for Automated Stroke Lesion Segmentation [0.5482532589225552]
  本稿では,空間的コンテキスト情報を中心として,新たなネットワークである Triple Context Network (TC-Net) を提案する。 我々のネットワークはオープンデータセットATLASで評価され、最高スコアは0.594、ハウスドルフ距離は27.005mm、平均対称性表面距離は7.137mmである。
  論文  参考訳（メタデータ） (2022-02-28T11:12:16Z)
• 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。