論文の概要: Dual-VaDE: Efficient and Robust Prototype Learning via Variational Dual-Domain Mixture Priors

• arxiv url: http://arxiv.org/abs/2611.05099v1
• Date: Tue, 03 Nov 2026 15:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:28:01.452957
• Title: Dual-VaDE: Efficient and Robust Prototype Learning via Variational Dual-Domain Mixture Priors
• Title（参考訳）: Dual-VaDE:Dual-Domain Mixture Presidesによる効率的かつロバストなプロトタイプ学習
• Abstract要約: 本稿では,未ラベルの医用画像から解釈可能な解剖学的プロトタイプを学習するための教師なし生成フレームワークであるDual-VaDEを提案する。 我々は、デコーダの前にこのジョイントを融合させる正確な閉形式の変分下界を導出する。 Dual-VaDEは、よりシャープでより高機能なプロトタイプを提供し、空間のみのベースラインよりも最大94%改善された優れたクラスタ分離を実現し、無視できない推論オーバーヘッド(画像当たり0.28ms)を発生させる。
• 参考スコア（独自算出の注目度）: 8.603039700922809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose Dual-VaDE, an unsupervised generative framework for learning interpretable anatomical prototypes from unlabeled medical images. In contrast to previous variational methods that rely on a single spatial latent code, which often entangles global geometry with local textures and fails to capture their cross-domain dependencies, Dual-VaDE introduces a dual-domain Gaussian mixture prior that explicitly couples spatial anatomy with phase-preserving Fourier spectral representations. We derive an exact, closed-form variational lower bound that fuses this joint prior into the decoder and optimizes the entire network end-to-end via an alternating EM formulation, avoiding heuristic two-stage clustering while ensuring superior training stability and robustness. Evaluated on OASIS-3 brain MRI, Dual-VaDE delivers substantially sharper and more plausible prototypes, achieves superior cluster separation with improvements of up to 94% over spatial-only baselines, exhibits markedly reduced variance across random seeds, and incurs negligible inference overhead (0.28 ms per image).
• Abstract（参考訳）: 本稿では,未表示の医用画像から解釈可能な解剖学的プロトタイプを学習するための教師なし生成フレームワークであるDual-VaDEを提案する。 グローバルな幾何学を局所的なテクスチャと絡み合い、ドメイン間の依存関係を捉えないような、単一の空間潜在コードに依存する従来の変分法とは対照的に、Dual-VaDEは、空間解剖と位相保存フーリエスペクトル表現を明示的に結合する二重領域ガウス混合を導入する。 我々は、このジョイントをデコーダに融合させ、交互EM定式化によってネットワークの終端を最適化し、より優れたトレーニング安定性とロバスト性を確保しつつ、ヒューリスティックな2段階クラスタリングを回避する、正確なクローズドフォームな下界を導出する。 OASIS-3脳MRIで評価されたDual-VaDEは、よりシャープでより可塑性なプロトタイプを提供し、空間のみのベースラインよりも最大94%改善された優れたクラスタ分離を実現し、ランダムなシード間のばらつきを著しく低減し、無視可能な推論オーバーヘッド(画像当たり0.28ms)を発生させる。

関連論文リスト

• One Size does not Fit All: Heterogeneous Latent Space Alignment for Unsupervised Domain Adaptation [5.6374247694410995]
  ドメインシフトは、医療などの高度な環境において、マシンラーニングモデルの信頼性の高いデプロイに対する大きな障害である。 医用画像セグメンテーションに特化して最適化されたUnsupervised Domain Adaptation (UDA) のための新しいディープラーニングアーキテクチャを提案する。 我々のフレームワークであるAdualVUOTは、デュアルエンコーダ変分オートエンコーダ(VAE)と連続正規化フロー(CNF)を統合し、モデリングの柔軟性を向上させる。
  論文  参考訳（メタデータ） (2026-06-19T13:33:38Z)
• DUET: Dual-Paradigm Adaptive Expert Triage with Single-cell Inductive Prior for Spatial Transcriptomics Prediction [6.028508407069093]
  組織像から空間的に解決された遺伝子発現を推定することは空間転写学に費用対効果をもたらす。 本稿では,パラメトリック予測とメモリベース検索を共役する新しいデュアルパラダイムフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2026-05-13T20:43:29Z)
• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• Discriminative-Generative Synergy for Occlusion Robust 3D Human Mesh Recovery [5.966636064805421]
  単眼RGB画像からの3次元メッシュの回収は、下流の応用のために解剖学的に妥当な3次元モデルを推定することを目的としている。 本稿では,視覚変換器の識別能力と条件付き拡散モデルの生成能力を統合する脳誘発フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-20T20:31:54Z)
• INST-Align: Implicit Neural Alignment for Spatial Transcriptomics via Canonical Expression Fields [1.0487944945684993]
  INST-Alignは、座標ベースの変形ネットワークと共有カノニカル表現場を結合する。 最先端の平均OT精度(0.702)、NN精度(0.719)、チャンファー距離(94.9%)を実現している。 また、生物学的に意味のある空間埋め込みとコヒーレントな3D組織再構築をもたらす。
  論文  参考訳（メタデータ） (2026-04-13T21:44:18Z)
• Semi-Supervised Generative Learning via Latent Space Distribution Matching [3.300559069009268]
  条件分布の半教師付き生成モデリングのための新しいフレームワークであるLatent Space Distribution Matching (LSDM)を紹介した。 LSDMは、(i)ペアデータと未ペアデータの両方から低次元の潜在空間を学習し、(ii)1-ワッサーシュタイン距離を介して、この空間で共同分布マッチングを行う。
  論文  参考訳（メタデータ） (2026-03-04T16:06:40Z)
• VLM-Guided Group Preference Alignment for Diffusion-based Human Mesh Recovery [75.62565146049015]
  我々は、予測メッシュの文脈認識品質スコアを生成するために、自己回帰付きデュアルメモリ拡張HMRクオリティエージェントを導入する。 これらのスコアは、人間の3次元運動構造、物理的実現可能性、入力画像との整合性に関するきめ細かい手がかりを蒸留する。 拡散型HMRモデルの微調整のためのグループ選好アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T13:19:06Z)
• 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)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• DiHuR: Diffusion-Guided Generalizable Human Reconstruction [51.31232435994026]
  一般化可能なヒト3次元再構成のための拡散誘導モデルであるDiHuRを導入し,スパース・ミニマル・オーバーラップ画像からのビュー合成について述べる。 提案手法は, 一般化可能なフィードフォワードモデルと2次元拡散モデルとの2つのキー前処理をコヒーレントな方法で統合する。
  論文  参考訳（メタデータ） (2024-11-16T03:52:23Z)
• MixSTE: Seq2seq Mixed Spatio-Temporal Encoder for 3D Human Pose Estimation in Video [75.23812405203778]
  近年, 学習時間相関のため, 全フレームのボディジョイントを世界規模で考慮し, 2次元キーポイントシーケンスから3次元人間のポーズを推定する手法が提案されている。 本研究では,各関節の時間的動きを別々にモデル化する時間的変圧器ブロックと,関節間空間相関を有する変圧器ブロックを有するミキシングミキシングを提案する。 さらに、ネットワーク出力は、中央フレームから入力ビデオの全フレームに拡張され、入力と出力のベンチマーク間のコヒーレンスが改善される。
  論文  参考訳（メタデータ） (2022-03-02T04:20:59Z)

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。