PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.10684v1cs.CV

HyperBank: 퓨샷 스페로이드 현미경 분할을 위한 고전적 사전 지식의 미분 가능한 뱅크

HyperBank: A Differentiable Bank of Classical Priors for Few-Shot Spheroid Microscopy Segmentation

퓨샷 스페로이드 분할(few-shot spheroid segmentation)은 소수의 주석된 이미지만으로 새로운 세포주, 현미경, 조명 조건에 적응해야 한다. 파운데이션 퓨샷 분할기(foundation few-shot segmenter)는 정확할 수 있으나, 대형 불투명 백본(backbone)으로 인해 어떤 시각적 단서가 성공 또는 실패를 이끄는지 파악하기 어렵다. 본 연구에서는 Frangi vesselness, Sauvola 임계값 피라미드, 구조 텐서(structure tensor) 응답, 그래디언트 크기, 가우시안 라플라시안(Laplacian-of-Gaussian) 필터를 결합한 고전적 이미지 처리 연산자들의 미분 가능한 뱅크인 HyperBank를 통해 이 문제를 탐구한다. HyperBank는 주석된 서포트 이미지에 피팅되며, 독립적으로 수집된 세 가지 스페로이드 데이터셋의 별도 held-out 이미지에서 평가된다. 본 연구는 HyperBank를 파운데이션 모델의 일반적 대체물이 아니라, 소형의 해석 가능한 퓨샷 현미경 파이프라인이자 어떤 고전적 단서가 퓨샷 신호를 전달하는지 탐색하는 분석적 사전 지식 프로브(analytic-prior probe)로 접근한다. 결과에 따르면, 동일한 소수의 주석된 서포트 이미지에 적응된 분석적 사전 지식의 소형 뱅크는 훨씬 큰 파운데이션 모델과 경쟁력이 있으며, 소규모 클러스터 및 대비(contrast) 기반 데이터에서는 이를 능가할 수 있는 반면, 외부에서 수집된 텍스처 지배적 스페로이드에서는 파운데이션 모델이 여전히 우세하다. 리브-원-패밀리-아웃(leave-one-family-out) 절제 실험은 유용한 퓨샷 신호가 연산자 패밀리 전반에 분산되어 있으며, 서포트 셋 조율 형태학(support-set-tuned morphology)에 의해 강화됨을 나타낸다.

arXiv:2602.16249v2cs.CV

AFFMAE: Scalable Vision Pre-Training for High-Resolution Microscopy Segmentation on Desktop Hardware

AFFMAE는 데스크탑 GPU에서 고해상도 현미경 이미지의 자기지도 사전학습을 가능하게 하기 위해, 밀집 그리드 가정 없이 적응형 오프-그리드 토큰 병합(off-grid token merging) 기반의 계층적 사전학습 프레임워크를 제안한다. ViT-MAE와 동등한 분할(segmentation) 성능을 유지하면서 사전학습 속도 2배 향상, 메모리 사용량 절반 감소, 1024px 파인튜닝 시 최대 5배의 처리량 향상을 달성하였다.