論文の概要: SphereFlow: Missing Modality Imputation via Geometric Transport on Hypersphere
- arxiv url: http://arxiv.org/abs/2611.04414v1
- Date: Tue, 03 Nov 2026 06:52:00 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:58:18.412055
- Title: SphereFlow: Missing Modality Imputation via Geometric Transport on Hypersphere
- Title（参考訳）: SphereFlow: ハイパースフィア上の幾何学的輸送によるモダリティ計算の欠如
- Abstract要約: モダリティ計算の欠如は、観測されたモダリティから観測されていないモダリティを合成することを目的としている。
本稿では、全モジュラリティを共有超球面潜在空間に投影することで、根本的に異なる視点をとるSphereFlowについて述べる。
このデータ・アズ・ソースの定式化により、最短ケースのオフ・マニフォールド偏差が潜在次元で増大する量から減少することが証明された。
- 参考スコア（独自算出の注目度）: 22.212877100811713
- License:
- Abstract: Missing modality imputation aims to synthesize unobserved modalities from observed ones. Existing methods treat each modality as living on its own latent manifold, forcing the generator to learn a long, unstructured jump between them. We present SphereFlow, which takes a fundamentally different view: by projecting all modalities into a shared hyperspherical latent space via a frozen self-supervised encoder, cross-modal imputation reduces to short-range geometric transport between nearby points on the sphere. Realizing this idea with flow matching, however, exposes two geometric conflicts: the standard Gaussian noise source is catastrophically mismatched with the unit-norm data manifold, and the linear interpolation path departs the sphere surface into a region where the decoder has no training signal. We resolve both with simple, geometry-aware modifications: replacing the noise source with the observed-modality latent so that the velocity field learns only the cross-modal displacement, and training the decoder with a time-weighted loss that extends its domain to the near-surface region traversed by the flow. We prove that this data-as-source formulation reduces the worst-case off-manifold deviation from a quantity that grows with the latent dimension to a small, dimension-independent bound governed by inter-modality similarity. Experiments on BraTS multi-modal MRI imputation and CT-MRI translation demonstrate state-of-the-art generation fidelity across all settings, while downstream brain tumor segmentation with our imputed data closes roughly eighty percent of the gap to the full-modality oracle. Code is available at https://github.com/WTHH031230/SphereFlow.
- Abstract（参考訳）: モダリティ計算の欠如は、観測されたモダリティから観測されていないモダリティを合成することを目的としている。
既存の方法では、それぞれのモジュラリティを自身の潜在多様体に生きるものとして扱い、ジェネレータはそれらの間の長い非構造的なジャンプを学習せざるを得ない。
凍結自己教師付きエンコーダを用いて、すべてのモダリティを共有超球面ラテント空間に投影することにより、球面上の近点間の短距離な幾何学的輸送に還元する。
標準ガウスノイズ源は、単位ノルムデータ多様体と破滅的にミスマッチし、線形補間経路は、球面をデコーダが訓練信号を持たない領域に出発する。
ノイズ源を観測モード遅延子に置き換えて、速度場がクロスモーダル変位のみを学習し、デコーダを時間重み付き損失でトレーニングし、その領域を流れによって横切られた近地領域に拡張する。
このデータ・アズ・ソースの定式化により、最短ケースのオフマンフォールド偏差が、潜時次元で増大する量から、モーダリティ間の類似性によって支配される小さな次元非依存境界へと減少することが証明された。
BraTSのマルチモーダルMRI計算とCT-MRI翻訳の実験では、すべての設定において最先端の世代像が示され、下流の脳腫瘍は全モーダルオラクルとのギャップの約8%を閉じている。
コードはhttps://github.com/WTHH031230/SphereFlowで入手できる。
関連論文リスト
- $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting [62.414974731333295]
我々は、スケール固有の構造学習と意味分解を統合するために、$M2Net$という新しいフレームワークを提案する。
M2Net$は、広範な経験的検証において最先端のベースラインを上回っます。
論文 参考訳（メタデータ） (2026-10-17T07:24:57Z) - Flow Matching under Noisy Latent Structure: Beyond Exact Low-Dimensional Support [0.0]
Flow Matchingは、ODEが単純なソース分布をターゲット法則に伝達する速度場を学習する。
これらの結果から,フローマッチングが潜在次元統計的挙動を維持するためには,正確な低次元支援は必要ないことが示唆された。
論文 参考訳（メタデータ） (2026-09-30T04:03:01Z) - Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。
変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。
サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-08-07T12:28:45Z) - Model Merging on Loss Landscape: A Geometry Perspective [2.2624434825206543]
エピマー(英: EpiMer)は、リーマン多様体上のフレシェ平均を解くためにモデルが合併するフレームワークである。
我々の理論的解析は、マージ誤差を部分空間フレシェ分散と残留エネルギーに分解する。
8つのイメージ分類タスクで微調整されたCLIP-ViTモデルを組み合わせることで、Epistemic Mergingは、マッチしたランクで3つのCLIP-ViTバックボーンのベースラインを厳密に上回る。
論文 参考訳（メタデータ） (2026-05-26T08:33:30Z) - Adversarial Water-Filling: Theory, Algorithms and Foundation Model [48.01112598331267]
周波数と空間上の競合するネットワークリソース割り当て問題は、送信電力とマグニチュードケース干渉の間のミニマックス相互作用として定式化することができる。
本稿では,これらの状況に対する適応型水認識(AWF)理論とアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-05-24T17:37:30Z) - Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。
本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-10T14:31:53Z) - Align Your Tangent: Training Better Consistency Models via Manifold-Aligned Tangents [55.43139356528315]
一貫性モデル(CM)は、フロー常微分方程式の軌跡に一貫性があるように訓練される。
CMは典型的には、競争力のあるサンプルの品質を得るために、大きなバッチサイズで長期のトレーニングを必要とする。
本稿では,データ多様体に向いた多様体整列接点を提供する,MFDと呼ばれる新しい損失関数を提案する。
論文 参考訳（メタデータ） (2025-10-01T08:35:18Z) - The Spacetime of Diffusion Models: An Information Geometry Perspective [40.23096112113255]
決定論的確率フローを用いた標準的なプルバック手法であるComplementODEデコーダが根本的に欠陥があることが示される。
遅延時空$z=(x_t,t)$を導入し、すべてのノイズスケールにわたる分布の族を指数化する。
結果として得られた構造は、ジオデシックが最小限のノイズ列を追跡し、データ間の編集を飾る、原則付き拡散距離編集(Diffusion Distance Edit)を誘導する。
論文 参考訳（メタデータ） (2025-05-23T06:16:58Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z)
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。