論文の概要: UNIVERS: Learning UNIversal Voxel-wise Embedding via Randomized Synthesis for generalizable one-shot landmark localization

• arxiv url: http://arxiv.org/abs/2610.29098v1
• Date: Wed, 21 Oct 2026 02:42:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.181788
• Title: UNIVERS: Learning UNIversal Voxel-wise Embedding via Randomized Synthesis for generalizable one-shot landmark localization
• Title（参考訳）: UNIVERS:Universal Voxel-wise Embedding by Randomized Synthesis for generalizable one-shot landmark Localization
• Abstract要約: 様々な視野(FOV)を持つボリュームスキャンにおけるワンショットランドマークの定位化は困難である。 UNIversal Voxel-wise Embedding(UNIversal Voxel-wise Embedding)をランダム化合成により学習する,エンドツーエンドのトレーニング可能なフレームワークUNIVERSを提案する。
• 参考スコア（独自算出の注目度）: 7.008981026702364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: One-shot landmark localization in volume scans with varying fields of view (FOVs) is challenging. While existing self-supervised learning methods have shown promising performance, they rely on contrastive learning built upon augmented views of the same image, which inherently limits their generalization in cross-modality scenarios. This motivates research on cross-modality embedding learning using paired multi-modality images. However, existing methods suffer from not only limited training data, but also the requirement of multi-stage iterative training. To address these limitations, we propose UNIVERS, an end-to-end trainable framework that learns UNIversal Voxel-wise Embedding via Randomized Synthesis. Our framework leverages diverse pseudo-data synthesized from organ shape templates, with randomization applied to semantic layout, visual appearance, FOV, and spatial pose. Coupled with cross-domain discriminative voxel-wise contrastive learning, this domain randomization strategy forces the network to disregard domain-specific biases and learn features that are robust against variations in imaging contrast, resolution, and spatial context. Consequently, the trained model enables one-shot landmark localization in multi-modality volume scans with arbitrary FOVs. In this study, the efficacy of the proposed method is demonstrated by applying it to the task of localizing the adrenal glands, which are paired, small, and irregular endocrine organs. In particular, comprehensive experiments are conducted on three challenging adrenal gland datasets. The experimental results demonstrate that UNIVERS consistently outperforms the state-of-the-art (SOTA) one-shot landmark localization approaches, with particularly prominent advantages in cross-modality scenarios. The source code is publicly available at https://github.com/Kendra9999/UNIVERS.
• Abstract（参考訳）: 様々な視野(FOV)を持つボリュームスキャンにおけるワンショットランドマークの定位化は困難である。 既存の自己教師付き学習手法は有望な性能を示してきたが、それらは同じイメージの強化されたビューに基づいて構築された対照的な学習に依存しており、本質的にはモダリティのシナリオにおける一般化を制限している。 このことは、ペア化されたマルチモダリティ画像を用いたクロスモダリティ埋め込み学習の研究を動機付けている。 しかし、既存の手法は、限られた訓練データだけでなく、多段階反復訓練の要求にも悩まされている。 これらの制約に対処するため,UNIversal Voxel-wise Embeddingをランダム化合成により学習するエンドツーエンドのトレーニング可能なフレームワークであるUNIVERSを提案する。 本フレームワークは,臓器形状テンプレートから合成した多種多様な擬似データを活用し,意味的レイアウト,視覚的外観,FOV,空間的ポーズにランダム化を適用した。 このドメインランダム化戦略は、ドメイン間の識別的ボクセル的なコントラスト学習と組み合わせて、ドメイン固有のバイアスを無視し、画像コントラスト、解像度、空間コンテキストの変動に対して堅牢な特徴を学習する。 その結果,任意のFOVを用いた多モードボリュームスキャンにおいて,ワンショットランドマークのローカライズが可能となった。 本研究は, 副腎の局在化に本法の有効性を応用し, 本法の有効性を実証するものである。 特に、アドレナリン腺の3つのデータセットに関する包括的な実験が実施されている。 実験の結果、UNIVERSは、特にモダリティのシナリオにおいて顕著な優位性を持つ、最先端(SOTA)のランドマークローカライゼーションアプローチを一貫して上回っていることが示された。 ソースコードはhttps://github.com/Kendra9999/UNIVERSで公開されている。

関連論文リスト

• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
  フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。 既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。 そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-15T13:08:59Z)
• Frequency-Spatial Entanglement Learning for Camouflaged Object Detection [34.426297468968485]
  既存の手法では、複雑な設計で空間的特徴の識別能力を最大化することにより、画素類似性の影響を減らそうとしている。 本稿では,周波数領域と空間領域の表現を共同で探索し,周波数空間の絡み合い学習(FSEL)手法を提案する。 我々の実験は、広く使われている3つのデータセットにおける包括的量的および質的比較を通じて、21以上の最先端手法によるFSELの優位性を実証した。
  論文  参考訳（メタデータ） (2024-09-03T07:58:47Z)
• Sample-agnostic Adversarial Perturbation for Vision-Language Pre-training Models [7.350203999073509]
  AIセキュリティに関する最近の研究は、画像やテキストの微妙で意図的に設計された摂動に対するビジョンランゲージ事前学習モデルの脆弱性を強調している。 私たちの知る限りでは、どんな画像にも当てはまる普遍的でサンプルに依存しない摂動の生成を探索する、マルチモーダルな決定境界による最初の研究である。
  論文  参考訳（メタデータ） (2024-08-06T06:25:39Z)
• ARNet: Self-Supervised FG-SBIR with Unified Sample Feature Alignment and Multi-Scale Token Recycling [11.129453244307369]
  FG-SBIRは、埋め込み空間におけるスケッチと対応する画像の距離を最小化することを目的としている。 両領域間のギャップを狭める効果的なアプローチを提案する。 主に、イントラサンプルとインターサンプルの両方を共有する統一的な相互情報共有を促進する。
  論文  参考訳（メタデータ） (2024-06-17T13:49:12Z)
• Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
  画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。 これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。 そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:20:13Z)
• Spatially Consistent Representation Learning [12.120041613482558]
  本研究では,空間的に一貫した表現学習アルゴリズム(SCRL)を提案する。 ランダムに切り抜かれた局所領域のコヒーレントな空間表現を作ろうとする新しい自己教師付き目的を考案する。 ベンチマークデータセットを用いた下流のローカライゼーションタスクでは、提案したSCRLは大幅な性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-10T15:23:45Z)

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。