論文の概要: Look Beyond the Question: Preserve-Focus-Fuse for Whole-Slide Image Question Answering
- arxiv url: http://arxiv.org/abs/2610.29431v1
- Date: Wed, 21 Oct 2026 08:55:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.296534
- Title: Look Beyond the Question: Preserve-Focus-Fuse for Whole-Slide Image Question Answering
- Title（参考訳）: 質問の向こうに見る:全スライド画像質問に対する保存-フォーカス-ファウズ
- Abstract要約: ControlledPATH: 全体スライド画像質問応答のための保存-フォーカス-ファウズフレームワーク。
Fuse Morphology-on-VisualEvidence Fusionは96 tokenの固定プレフィックスを生成する。
- 参考スコア（独自算出の注目度）: 15.5073197537638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A question about a whole-slide image rarely names every morphological finding needed to answer it. Question-guided patch selection can therefore overlook supporting morphology, while slide-level compression can dilute focal evidence. Inspired by how pathologists combine broad slide review, question-directed examination, and integration of their findings, we introduce BEYONDPATH, a Preserve-Focus-Fuse framework for whole-slide image question answering. Preserve learns a question-agnostic Morphology Bank through answer supervision across multiple questions about each training slide. Focus retrieves questionspecific evidence from all foreground patches, including regions outside the Bank. Fuse integrates the preserved morphology at the retrieved evidence positions through Morphology-on-Visual-Evidence Fusion, producing a fixed 96-token visual prefix. On WSI-Bench, BEYONDPATH achieves an Avg-9 of 0.769 and leads all eight reported report-generation metrics using the same checkpoint. It also achieves 0.639 zero-shot overall accuracy on SlideBench-BCNB. Controlled ablations show complementary benefits from morphology preservation and question-directed retrieval, and support cross-question supervision and fusion at the evidence positions. These results support looking beyond the question's explicit cues: preserving broader slide morphology while retaining the ability to seek evidence for each question.
- Abstract（参考訳）: スライディング画像に関する質問は、それに対応するために必要なすべての形態学的発見をめったに挙げない。
したがって、問合せ付きパッチの選択は、サポート形態を見落とし、スライドレベルの圧縮は焦点証拠を希薄にすることができる。
病理学者が広範囲のスライドレビュー,質問指向検査,およびそれらの知見の統合をどのように組み合わせているかに着想を得て,全スライディング画像質問応答のための保存・フォーカス・フューズ・フレームワークであるBEYONDPATHを紹介した。
Preserveは、各トレーニングスライドに関する複数の質問に対する回答監視を通じて、質問非依存のMorphology Bankを学習する。
Focusは、銀行以外の地域を含むすべてのフォアグラウンドパッチから、質問特異的な証拠を回収する。
Fuseは、Morphology-on-Visual-Evidence Fusionを通じて得られた証拠位置で保存された形態を統合する。
WSI-Benchでは、BEYONDPATHは0.769のAvg-9を達成し、同じチェックポイントを使用して報告された8つのレポート生成メトリクス全てをリードする。
また、SlideBench-BCNBでは0.639のゼロショット精度を実現している。
制御されたアブリゲーションは、形態保存と質問指向検索の相補的な利点を示し、証拠位置におけるクロスクエストの監督と融合を支援する。
これらの結果は、各質問に対する証拠を求める能力を維持しながら、より広いスライド形態を保存するという、質問の明示的な手がかりを超えることを支援する。
関連論文リスト
- Beyond Reachability: A Relation-Semantic Reasoning Framework for Biomedical Multi-hop QA [4.767851215588439]
本稿では,提案するReSemReasonについて述べる。
分離された絶対支持スコアは、検索された全てのパスが弱いときに正常化された注意を補完する。
BioHopR、PrimeKGQA、MedReasonの実験では、回答ランキングと回答セットの品質が改善されている。
論文 参考訳（メタデータ） (2026-10-14T08:09:02Z) - VideoTapestry: Query-Adaptive Memory Refinement for Multi-Agent Long-Video Understanding [98.11639588256874]
VideoTapestryはトレーニング不要のマルチエージェントフレームワークで、粗大でクエリ駆動の洗練を通じて階層的なビデオメモリに適応する。
VideoTapestryの精度は17.2%、14.9%、9.8%、Benchは7.0%、LongVideoBench(Long Ego)、Video-MME(Long Ego)、Video-MME(Long Ego)である。
論文 参考訳（メタデータ） (2026-10-05T16:44:25Z) - Navigating Sparse Evidence: Agentic Visual RAG via Explicit Context Selection and Consolidation [50.92223196290564]
明示的な証拠選択と統合のための統一エージェントループを提案する。
探索中、SCoREはクエリ関連観測とソースポインタのみを保守されたテキスト台帳に保持する。
終了時には、参照された元のイメージを再ロードし、答えの視覚的証拠を統合し、論理的なシーケンスにアレンジする。
論文 参考訳（メタデータ） (2026-09-14T16:11:35Z) - SlideBank: A Persistent Hierarchical Evidence Bank for Consistent Whole-Slide Reasoning [27.522808822562848]
全体スライディング画像(WSI)は、スパース、ヘテロジニアス、分散形態学のため、視覚言語推論に難題である。
私たちはSlideBankを紹介します。SlideBankは、トレーニング不要のフレームワークで、各WSIを永続的で概念的で、空間的に根拠づけられたエビデンスバンクとして表現します。
論文 参考訳（メタデータ） (2026-08-31T20:37:52Z) - Question-Aware Evidence Ledgers for Video Relational Reasoning [49.15616982043187]
我々は,強力なGPT-5.5ビデオQA解決器と疑似エビデンス台帳のセットを中心に構築されたテスト時間推論パイプラインを提案する。
パイプラインは92.95%の総合精度と93.79%のマクロ精度を達成した。
論文 参考訳（メタデータ） (2026-06-01T17:18:03Z) - Q-GeoMem: Question-Guided Geometric Memory for Video Spatial Reasoning [53.96129188781529]
ビデオ空間推論のための質問誘導幾何メモリフレームワークを提案する。
カメラ条件の幾何学を 視覚トークンに注入し 2つの相補記憶を維持します
本研究は,評価空間推論モデルにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-05-26T17:26:29Z) - PathNavigate: A Training-Free Pathology Agent with Surprise-Guided Scan and Shared Slide Memory for Whole-Slide Image VQA [23.655497120225093]
PathNavigateは、スキャン-検索-読み取りルーチンを中心に構築された、トレーニング不要の病理エージェントである。
PathNavigateは、凍結した病理機能上で共有されたオンラインメモリモジュールを使用して、現在のスライドを低い倍率でスキャンする。
次に、このプール内でのみ、質問条件のPLIP関連性を適用して、高次探索ターゲットを選択する。
論文 参考訳（メタデータ） (2026-05-22T12:25:43Z) - Act Like a Pathologist: Tissue-Aware Whole Slide Image Reasoning [21.809404751735503]
我々は,質問誘導,組織認識,粗粒度検索フレームワークHistoSelectを提案する。
提案手法は既存の手法より優れ, 解釈可能な, 病理学的に整合した領域で解答を導出する。
以上の結果から,WSI推論に人間ライクな検索と注意パターンを取り入れることが,実用的で信頼性の高いVLMを構築する上で有望な方向であることが示唆された。
論文 参考訳（メタデータ） (2026-02-28T14:22:53Z) - Single Morphing Attack Detection using Feature Selection and
Visualisation based on Mutual Information [13.725021925072603]
本稿では, 強度, 形状, テクスチャから抽出した特徴を探索し, 相互情報フィルタに基づく特徴選択ステージを提案する。
目と鼻は、分析される最も重要な領域として識別される。
論文 参考訳（メタデータ） (2021-10-26T10:27:06Z) - Pose-Guided Feature Learning with Knowledge Distillation for Occluded
Person Re-Identification [137.8810152620818]
PGFL-KD (Pose-Guided Feature Learning with Knowledge Distillation) というネットワークを提案する。
PGFL-KDは、メインブランチ(MB)と2つのポーズ誘導ブランチ(ieno)、フォアグラウンド強化ブランチ(FEB)、ボディ部分セマンティクス整列ブランチ(SAB)から構成される。
閉鎖型,部分的,包括型 ReID タスクの実験は,提案したネットワークの有効性を示す。
論文 参考訳（メタデータ） (2021-07-31T03:34:27Z) - Content-Based Detection of Temporal Metadata Manipulation [91.34308819261905]
画像の撮像時間とその内容と地理的位置とが一致しているかどうかを検証するためのエンドツーエンドのアプローチを提案する。
中心となる考え方は、画像の内容、キャプチャ時間、地理的位置が一致する確率を予測するための教師付き一貫性検証の利用である。
我々のアプローチは、大規模なベンチマークデータセットの以前の作業により改善され、分類精度が59.03%から81.07%に向上した。
論文 参考訳（メタデータ） (2021-03-08T13:16:19Z)
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。