論文の概要: Learning Where to Trust: Reliability-Guided Expert Routing and Velocity Gating for 3D Deformable Registration
- arxiv url: http://arxiv.org/abs/2610.36672v1
- Date: Tue, 27 Oct 2026 05:43:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.522378
- Title: Learning Where to Trust: Reliability-Guided Expert Routing and Velocity Gating for 3D Deformable Registration
- Title（参考訳）: 信頼の場所を学ぶ: 信頼性に配慮した3次元変形可能な登録のためのエキスパートルーティングとベロシティゲーティング
- Abstract要約: 本稿では,空間的文脈選択と更新強度とを対応付ける3次元変形可能な登録のための信頼性制御型対称フレームワークを提案する。
ReliMorphは、空間エキスパートルーティングと残留速度ゲーティングを対応信頼性に基づいて共同で条件付ける最初の3D変形可能な登録フレームワークである。
- 参考スコア（独自算出の注目度）: 7.452575969521192
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deformable image registration relies on accurate anatomical correspondences. However, explicitly coupling local matching reliability with spatial context selection and deformation update strength remains insufficiently explored in learning-based registration. This challenge is particularly pronounced in homogeneous, weakly textured, and severely deformed regions, where ambiguous matches may induce erroneous deformation updates. We propose ReliMorph, a reliability-routed symmetric framework for 3D deformable registration that couples correspondence assessment with spatial context selection and update strength.Local correlation distributions characterize correspondence ambiguity using shared anatomical features with modality-specific adaptation. These reliability cues guide spatial expert fusion and gate residual velocities during coarse-to-fine refinement. Updated inverse-inconsistency feedback guides routing and gating at finer pyramid levels. To our knowledge, ReliMorph is the first 3D deformable registration framework to jointly condition spatial expert routing and residual velocity gating on correspondence reliability. Extensive experiments demonstrate that ReliMorph consistently outperforms competing methods in anatomical overlap, highlighting its effectiveness across unimodal and multimodal registration tasks.
- Abstract（参考訳）: 変形可能な画像登録は正確な解剖学的対応に依存する。
しかし, 学習ベース登録では, 局所マッチング信頼性と空間的文脈選択, 変形更新強度とを明示的に結合することは不十分である。
この課題は、不明瞭な一致が誤変形の更新を引き起こす可能性がある均質、弱質、強弱な変形領域において特に顕著である。
ReliMorphは,空間文脈選択と更新強度を対応づける3次元変形可能登録のための信頼性保証型対称フレームワークであり,局所相関分布は,共用解剖学的特徴と共用解剖学的適応を用いて対応あいまいさを特徴付ける。
これらの信頼性は、粗大な微細化における空間専門家の融合とゲート残留速度を導く。
更新された逆一貫性フィードバックは、より詳細なピラミッドレベルでルーティングとゲーティングをガイドする。
我々の知る限り、ReliMorphは空間的エキスパートルーティングと残速ゲーティングを対応信頼性に基づいて共同で条件付ける最初の3次元変形可能な登録フレームワークである。
大規模な実験により、ReliMorphは解剖学的オーバーラップにおいて競合する手法を一貫して上回り、非モーダルおよびマルチモーダル登録タスクにおけるその有効性を強調している。
関連論文リスト
- BAT3R: Robust Online 3D Reconstruction with Bayesian Adaptive State Updates [52.8467026754905]
ストリーム3D再構成はこのボトルネックに対処する。
2つの相乗的加群からなる学習自由ベイズ適応フレームワークであるBAT3Rを紹介する。
BAT3Rは、最先端のオンライン3D再構成方法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-10-12T07:47:47Z) - TeaMatch: Teachable Cross-Modal Representation Learning for 2D-3D Matching [3.911341147858216]
TeaMatchは、クロスモーダルな表現学習の基準として、教育性を導入する新しいフレームワークである。
私たちのフレームワークは、追加の推論コストなしで、既存の粗大なマッチングパイプラインにシームレスに統合できます。
論文 参考訳（メタデータ） (2026-08-10T13:24:01Z) - SGMatch: Semantic-Guided Non-Rigid Shape Matching with Flow Regularization [43.12848612518533]
SGMatchは意味誘導型非厳密な形状マッチングのための学習ベースのフレームワークである。
具体的には,視覚基盤モデルから幾何学的記述子への意味的特徴を統合するセマンティックガイド型ローカルクロスアテンションモジュールを設計する。
本研究では,時間変化速度場を監督し,回復した対応の空間的滑らかさを促進する条件付きフローマッチングに基づく正規化目標を提案する。
論文 参考訳（メタデータ） (2026-03-13T12:31:43Z) - SURE: Semi-dense Uncertainty-REfined Feature Matching [28.68008638977835]
SUREは、一致と信頼を共同で予測する半密度不確実性再定義マッチングフレームワークである。
我々のアプローチは、軽量な空間融合モジュールとともに、信頼に値する座標回帰のための新しい明らかな頭部を軌道に乗せる。
提案手法は精度と効率の両面で既存の最先端のセミセンスマッチングモデルより一貫して優れている。
論文 参考訳（メタデータ） (2026-03-05T06:53:11Z) - Preoperative-to-intraoperative Liver Registration for Laparoscopic Surgery via Latent-Grounded Correspondence Constraints [51.7011449975586]
Land-Regは変形可能な登録フレームワークで、潜伏した2D-3Dのランドマーク対応を学習する。
厳格な登録のために、Land-Regはクロスモーダルラテントアライメントモジュールを採用している。
類似性マッチングを持つ不確実なオーバーラップランドマーク検出器を提案し, 明確な2D-3Dランドマーク対応を強く推定する。
論文 参考訳（メタデータ） (2026-03-02T10:44:03Z) - Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。
拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。
LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
論文 参考訳（メタデータ） (2025-11-11T08:40:28Z) - Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。
現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。
本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-19T14:56:38Z) - Robust Partial 3D Point Cloud Registration via Confidence Estimation under Global Context [12.216399037814012]
部分点雲の登録は、自律認識と3Dシーン理解に不可欠である。
我々は,ロバストな部分的3次元登録のための統一的信頼性駆動型フレームワークであるCEGC(Global Context)に基づく信頼度推定を提案する。
CEGCは、共有グローバルコンテキスト内で重なり合う信頼性と対応信頼性を共同でモデル化することにより、複雑なシーンの正確なアライメントを可能にする。
論文 参考訳（メタデータ） (2025-09-29T04:36:55Z) - Skeleton-based Robust Registration Framework for Corrupted 3D Point Clouds [9.35371718596906]
実世界の点雲は、しばしばセンサーの制限、環境騒音、前処理エラーによって影響を受ける。
既存の登録方法は直接点マッチングや表面特徴抽出に依存しており、これはこれらの汚職に非常に影響を受けやすい。
スケルトンベースのロバストな登録フレームワークが紹介され、レジリエントな骨格表現を導入し、レジストネスと精度を向上させる。
論文 参考訳（メタデータ） (2025-09-29T04:31:47Z) - Learning to Align and Refine: A Foundation-to-Diffusion Framework for Occlusion-Robust Two-Hand Reconstruction [50.952228546326516]
単眼画像からの両手再建は、複雑でダイナミックな手の位置が原因で、永続的な課題に直面している。
既存のアプローチはそのようなアライメントの問題に悩まされ、しばしば不整合と侵入の成果物をもたらす。
本稿では,視覚基礎モデルからの2次元事前ガイダンスを正確に整合させる2段階のファンデーション・ツー・ディフュージョンフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-22T14:42:27Z) - Robust Self-Supervised LiDAR Odometry via Representative Structure
Discovery and 3D Inherent Error Modeling [67.75095378830694]
そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。
本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。
我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
論文 参考訳（メタデータ） (2022-02-27T12:52:27Z)
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。