AI-Powered Dermatological Diagnosis: From Interpretable Models to Clinical Implementation A Comprehensive Framework for Accessible and Trustworthy Skin Disease Detection
本論文は、深層学習による画像解析と家族歴データを統合した解釈可能な AI 枠組みを開発し、皮膚疾患の診断精度向上と臨床実装への道筋を示すことを目的としている。
👁️ Category
cs.CV
6408 件の論文
GeoTeacher: Geometry-Guided Semi-Supervised 3D Object Detection
本論文は、限られたラベル付きデータにおける3D物体検出の精度向上を目指し、教師モデルの幾何学的知識を学生モデルへ転送するキーポイントベースの幾何関係監視モジュールと、距離減衰メカニズムを備えたボクセル単位データ拡張戦略を提案する「GeoTeacher」を提案し、ONCEおよびWaymoデータセットで最先端の結果を達成したことを報告しています。
ForCM: Forest Cover Mapping from Multispectral Sentinel-2 Image by Integrating Deep Learning with Object-Based Image Analysis
本研究は、深層学習モデルとオブジェクトベース画像解析を統合した「ForCM」手法を提案し、アマゾン熱帯雨林のマルチスペクトル・センチネル 2 画像を用いた森林被覆マッピングにおいて、従来の手法よりも高い精度を達成したことを示しています。
Plug-and-Play Fidelity Optimization for Diffusion Transformer Acceleration via Cumulative Error Minimization
Diffusion Transformer の推論高速化におけるキャッシュ誤差を最小化し、既存の誤差補正手法に追加の計算コストなしに統合可能な動的計画法ベースのプラグイン「CEM」を提案し、これにより生成忠実度を大幅に向上させることを示した。
Aligned explanations in neural networks
この論文は、予測の根拠となる説明を設計段階で保証する「説明の整合性」を実現するため、統計的知能と疑似線形構造を融合させた新しい深層学習フレームワーク「PiNets」を提案し、画像分類やセグメンテーションタスクにおいてその有効性を示しています。
TP-Blend: Textual-Prompt Attention Pairing for Precise Object-Style Blending in Diffusion Models
本論文は、新しい物体とスタイルを同時に導入する際に従来手法が抱える課題を解決するため、物体とスタイルのそれぞれに対応する 2 つのテキストプロンプトを単一のノイズ除去軌道に注入し、クロスアテンションによる物体融合と自己アテンションによるスタイル融合を組み合わせる軽量かつ学習不要なフレームワーク「TP-Blend」を提案するものである。
Copy-Trasform-Paste: Zero-Shot Object-Object Alignment Guided by Vision-Language and Geometric Constraints
この論文は、CLIP 駆動の勾配と幾何学的制約（軟 ICP や貫通損失）を組み合わせ、事前学習モデルの再訓練なしでテキスト指示に基づいたゼロショット 3D メッシュ間の位置・回転・スケールを最適化する「Copy-Transform-Paste」手法を提案し、その有効性を新たなベンチマークで実証したものです。
Counterfactual Explanations on Robust Perceptual Geodesics
本論文は、人間の知覚に整合するロバストな視覚特徴から誘導されたリッチマン計量を用いて、モデルの予測変化を最小限の意味的摂動で実現する「知覚的対極測地線（PCG）」を提案し、従来の平坦な幾何学に基づく手法が抱えるオフ・マンホールドのアーティファクトや意味的ドリフトを解消し、より滑らかで意味的に妥当な対極説明を可能にすることを示しています。
Vision-DeepResearch: Incentivizing DeepResearch Capability in Multimodal Large Language Models
本論文は、現実世界の視覚的ノイズや複雑な推論課題に対処するため、マルチターン・多エンティティ・多スケールにわたる視覚・テキスト検索を可能にし、強化学習を通じて深層調査能力を内包させた新しいマルチモーダル大規模言語モデル「Vision-DeepResearch」を提案し、既存の最先端モデルやクローズドソースの基盤モデルを大幅に凌駕する性能を実証しています。
When Anomalies Depend on Context: Learning Conditional Compatibility for Anomaly Detection
この論文は、異常検出における文脈依存性を扱うため、被験者と文脈の互換性を学習する新しいフレームワークとベンチマーク（CAAD-3K）を提案し、既存手法を大幅に上回る性能を達成したことを報告しています。
Unveiling the Cognitive Compass: Theory-of-Mind-Guided Multimodal Emotion Reasoning
本論文は、多モーダル大規模言語モデルの感情理解能力を向上させるため、心の理論（ToM）に基づく階層的ベンチマーク「HitEmotion」、ToM 誘導の推論チェーン、および中間メンタル状態を教師信号とする強化学習手法「TMPO」を提案し、これらが最先端モデルの感情推論能力の欠陥を明らかにするとともに、精度と推論の忠実性を高めることを実証したものである。
Gradient-Aligned Calibration for Post-Training Quantization of Diffusion Models
本論文は、拡散モデルの事後学習量子化において、異なる時間ステップの勾配方向を整合させるために校正サンプルに最適な重みを学習する新しい手法を提案し、CIFAR-10、LSUN-Bedrooms、ImageNet における実験で既存手法を上回る性能を実証したものである。
Contribution-aware Token Compression for Efficient Video Understanding via Reinforcement Learning
この論文は、動画理解におけるトークンの冗長性を解決するため、正解への貢献度を明示的に最適化する強化学習ベースの新しいトークン圧縮手法「CaCoVID」を提案し、効率的な推論を実現するものである。
CloDS: Visual-Only Unsupervised Cloth Dynamics Learning in Unknown Conditions
本論文は、物理的性質が未知の条件下でも多視点映像から布の動的挙動を教師なしで学習する新たな枠組み「CloDS」を提案し、メッシュベースのガウススプラッティングを用いた双方向マッピングにより、複雑な変形や自己遮蔽に対処しながら高い汎化性能を実現することを示しています。
Vision-DeepResearch Benchmark: Rethinking Visual and Textual Search for Multimodal Large Language Models
本論文は、既存のベンチマークが抱える視覚検索の漏洩や非現実的な評価シナリオといった課題を解決するため、現実的な条件下でのマルチモーダル大規模言語モデルの視覚・テキスト検索能力を評価する「Vision-DeepResearch Benchmark（VDR-Bench）」を構築し、さらに効果的な視覚検索を可能にする多段階の切り抜き検索ワークフローを提案するものです。
Investigating Disability Representations in Text-to-Image Models
この論文は、Stable Diffusion XL と DALL-E 3 の生成画像を分析し、構造化されたプロンプトとセンチメント分析を用いて障害者の表現における偏りを検証し、より多様で包括的な描写に向けたモデルの継続的な評価と改善の必要性を明らかにしています。
RFDM: Residual Flow Diffusion Model for Efficient Causal Video Editing
本論文は、テキストプロンプトを用いて可変長の動画を効率的に編集する新たな「残差フロー拡散モデル（RFDM）」を提案し、従来の画像モデルと同等の計算コストで高品質な因果的な動画編集を実現するとともに、新たな評価ベンチマークを構築したことを示しています。
Single-Slice-to-3D Reconstruction in Medical Imaging and Natural Objects: A Comparative Benchmark with SAM 3D
本論文は、単一スライス画像からの 3D 再構成における既存の基礎モデルの限界を定量化し、特に医療画像では深度の曖昧さにより体積的重なりが低いものの、SAM3D がトポロジーの類似性において最も優れていることを示し、信頼性の高い医療 3D 再構成にはドメイン固有の適応と解剖学的制約が必要であると結論付けています。
EchoTorrent: Towards Swift, Sustained, and Streaming Multi-Modal Video Generation
本論文は、リアルタイム動画生成における遅延や時間的安定性の課題を解決するため、マルチ教師学習、適応的 CFG 較正、ハイブリッド長尾強制、VAE デコーダ精製という 4 つの設計要素を備えた「EchoTorrent」を提案し、高品質かつ低遅延なストリーミング型マルチモーダル動画生成を実現するものである。
Deformation-Free Cross-Domain Image Registration via Position-Encoded Temporal Attention
この論文は、Adaptive Instance Normalization を用いた画像分解と位置符号化された時間的注意機構を組み合わせることで、変形場の推定を不要としながらドメイン間画像登録の精度と速度を向上させる「GPEReg-Net」を提案し、複数のベンチマークで既存手法を上回る性能を達成したことを報告しています。