論文の概要: StaX-Net: Stackelberg Interleaved Asymmetric Network for Cross-Modality Medical Image Translation

• arxiv url: http://arxiv.org/abs/2610.34214v1
• Date: Sun, 25 Oct 2026 11:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.560107
• Title: StaX-Net: Stackelberg Interleaved Asymmetric Network for Cross-Modality Medical Image Translation
• Title（参考訳）: StaX-Net: クロスモーダル医療画像翻訳のためのStackelbergインターリーブ非対称ネットワーク
• Abstract要約: StaX-Netは、部分的に結合したエンコーダ・ディスクリミネータ構造を組み込んだStackelbergインターリーブ非対称ネットワークである。 FASTレイヤは、特権情報パラダイムを用いた学習の下で、ターゲット管理された事前情報を蒸留する。 コードはGitHubで公開されている。
• 参考スコア（独自算出の注目度）: 4.486141167325431
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cross-modality medical image translation is challenged by anatomically inconsistent synthesis that can compromise clinical diagnosis. We propose StaX-Net, a Stackelberg interleaved asymmetric network that incorporates a partially coupled encoder-discriminator structure, and a 2D feature aggregation and spatial transformation (FAST) layer that distills target-supervised priors under the learning using privileged information paradigm. The shared blocks between the generator and discriminator enhance architectural feature alignment. To stabilize the leader-follower training, a Stackelberg-inspired asymmetric optimization scheme employs explicit shared-parameter freezing and asymmetric learning rates. The FAST layer distills target-domain priors during training and applies a source-only transform at inference. This constrains the synthesis process through target-informed feature representations relative to standard generative architectures. The code is available on GitHub for public use.
• Abstract（参考訳）: クロスモダリティ医療画像翻訳は、臨床診断を損なうことができる解剖学的に一貫性のない合成によって挑戦される。 本稿では,StaX-Netを提案する。StaX-Net,StaX-Net,StaX-Net,StaX-Net,StaX-Net,StaX-Net,StaX-Net,StaX-Net,StaX-Net,StaX-Net,StaX-Net,S taX-Net,StaX-Net。 ジェネレータとディスクリミネータ間の共有ブロックは、アーキテクチャ上の特徴アライメントを高める。 リーダー・フォロワートレーニングを安定させるために、スタックルバーグにインスパイアされた非対称最適化スキームでは、明示的な共有パラメータ凍結と非対称学習率を用いる。 FASTレイヤは、トレーニング中にターゲットドメインを蒸留し、推論時にソースのみの変換を適用する。 これにより、標準生成アーキテクチャと比較して、ターゲットインフォームドな特徴表現による合成プロセスが制限される。 コードはGitHubで公開されている。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• Shift-Dependent Asymmetry: Orthogonal Inverse Low-Rank Adaptation for Federated Medical Segmentation [60.41721951405564]
  Low-Rank Adaptation (LoRA)は、医療画像のためのセグメンテーション基盤モデルの効率的なフェデレーション微調整を可能にする。 ほとんどの連合LoRA法は、医学的セグメンテーションにおいてエンコーダ-デコーダ非対称性の下で破れる一様アグリゲーション規則を採用している。 このミスマッチの絡み合いは、サイト固有のバイアスと解剖を共有し、一般化を損なう。 本稿では,効率的な更新空間における共有局所コリニアリティを罰する部分空間直交正規化器を提案する。
  論文  参考訳（メタデータ） (2026-06-07T15:39:28Z)
• Network-Aware Bilinear Tokenization for Brain Functional Connectivity Representation Learning [6.232102297445596]
  我々は,脳機能的接続トークン化を再定義する自己教師型学習フレームワークであるNERVEを紹介する。 画像ベースのMAEとは異なり、ネットワークペアによって定義されたFCパッチは、サイズが不均一であり、異なる機能的役割に対応する。 NERVEは、新しく構造化された双線形因子化によってFCパッチを埋め込む。
  論文  参考訳（メタデータ） (2026-05-13T19:09:44Z)
• Fake It Right: Injecting Anatomical Logic into Synthetic Supervised Pre-training for Medical Segmentation [21.75204301463342]
  ビジョントランスフォーマー(ViT)は3次元の医療セグメンテーションで優れるが、大量のデータセットを必要とする。 Formula-Driven Supervised Learning (F)は、合成数学的プリミティブを事前学習することで、プライバシ保護の代替手段を提供する。 本稿では,Fの無限拡張性と解剖学的リアリズムを一体化するための注釈付きインフォームド・シンセティック・アナトロジー・プレトレーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-01T08:15:18Z)
• MeDUET: Disentangled Unified Pretraining for 3D Medical Image Synthesis and Analysis [36.41448398760502]
  本稿では,3次元医用画像Distangled UnifiEd PreTrainingフレームワークであるMeDUETを提案する。 MeDUETはドメイン固有のスタイルからドメイン不変コンテンツを明示的に切り離す。 より忠実で、より早く収束し、合成の制御性を向上させる。
  論文  参考訳（メタデータ） (2026-02-19T23:45:23Z)
• MetaFormer-driven Encoding Network for Robust Medical Semantic Segmentation [0.0]
  本稿では,U-Netバックボーンの符号化フェーズにMetaFormerを組み込んだ,効率的な医用画像分割フレームワークであるMFEnNetを提案する。 自己注意に伴う計算コストを大幅に軽減するため,従来の変圧器モジュールをプール変圧器ブロックに置き換えた。 医学セグメンテーションのベンチマークに関する総合的な実験は、提案されたMFEnNetアプローチが、最先端のモデルと比較して計算コストを大幅に下げながら、競争精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-01-01T13:45:50Z)
• Unleashing Degradation-Carrying Features in Symmetric U-Net: Simpler and Stronger Baselines for All-in-One Image Restoration [52.82397287366076]
  オールインワン画像復元は、統合された枠組み内で様々な劣化(ノイズ、ぼかし、悪天候など)を扱うことを目的としている。 本研究では, 優れた特徴抽出法により, 劣化伝達情報を本質的にエンコードする, 重要な知見を明らかにする。 我々の対称設計は固有の劣化信号を頑健に保存し、スキップ接続に単純な加法融合を施す。
  論文  参考訳（メタデータ） (2025-12-11T12:20:31Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。