PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.08172v2cs.CV

해부학적 분할을 위한 증강된 등변 메시 네트워크

Augmented Equivariant Mesh Networks for Anatomical Segmentation

해부학적 메시 분할(anatomical mesh segmentation)은 다양한 해상도의 메시 전반에서 좌표 포즈(coordinate pose) 변화에 강건성을 유지하면서 불규칙한 표면 기하학에서 직접 작동하는 모델을 필요로 합니다. 기존의 태스크 특화 메시 및 포인트 클라우드 방식들은 등변성(equivariance)을 지니지 않아, 일치하는 학습(training) 증강을 적용하더라도 3D-IOSSeg에서 $40^\circ$ 회전 시 IoU 점수가 28-30 포인트 하락하는 등 테스트 시점의 섭동(perturbation)에 급격한 성능 저하를 보일 수 있습니다. 본 논문에서는 등변 메시 신경망(EMNN)을 기반으로 구축된 등변 해부학적 메시 분할기인 EAMS를 제시하고, 에지(edge), 정점(vertex), 면(face) 수준의 지도 학습을 포괄하는 세 가지 임상 응용 분야의 4개 데이터셋(dataset) 설정에서 이를 평가합니다. 저자들은 내재적 메시 기술자(intrinsic mesh descriptor)를 치열궁(dental arch) 및 간 표면에 대한 PCA 유도 프레임을 포함한 해부학 인지 사전 정보와 결합하고, 경량 글로벌 컨텍스트를 제공하도록 메시지 전달을 증강합니다. 두개내 동맥류 및 구강 내 분할 전반에서 EAMS 변형 모델들은 섭동이 없는 입력에 대해 특화된 베이스라인과 견줄 만한 성능을 보이면서도 기하학적 섭동 하에서 안정성을 유지하며, 간 표면에서는 표준 포즈 정확도와 회전 강건성 간의 유리한 절충점을 보여줍니다. 이러한 결과는 경량(2M 미만의 파라미터) 등변 프레임워크가 다양한 레이블 유형 전반에서 강건한 해부학적 메시 분할을 달성할 수 있음을 보여줍니다.

arXiv:2602.04170v2cs.CV

부분 링 스캔: 비전 상태 공간 모델에서의 스캔 순서 재고

Partial Ring Scan: Revisiting Scan Order in Vision State Space Models

상태 공간 모델(SSM)은 경쟁력 있는 정확도로 선형 시간 시퀀스 처리를 제공하며, 비전 작업에서 어텐션에 대한 효율적인 대안으로 부상했습니다. 그러나 비전 SSM은 미리 정의된 스캔 순서에 따라 2D 이미지를 1D 토큰 시퀀스로 직렬화해야 하는데, 이는 종종 간과되는 요소입니다. 우리는 스캔 순서가 공간적 인접성을 변경하고, 객체 연속성을 단절시키며, 회전과 같은 기하학적 변환 하에서의 성능 저하를 가중시킴으로써 성능에 결정적인 영향을 미친다는 것을 보여줍니다. 우리는 이미지를 동심 링으로 분할하고, 각 링 내에서 순서에 무관한 집계를 수행하며, 짧은 방사형 SSM 세트를 통해 링 간에 컨텍스트를 전파하는 회전 강건한 순회 방식인 Partial RIng Scan Mamba(PRISMamba)를 제안합니다. 효율성은 부분 채널 필터링을 통해 더욱 향상되는데, 이는 가장 정보성이 높은 채널만 순환 링 경로로 라우팅하고 나머지는 가벼운 잔차 분기에 유지합니다. ImageNet-1K에서 PRISMamba는 3.9G FLOPs와 A100에서 초당 3,054장의 속도로 84.5%의 Top-1 정확도를 달성하여, 더 적은 FLOPs를 요구하면서도 정확도와 처리량 모두에서 VMamba를 능가합니다. 또한 회전 하에서도 성능을 유지하는 반면, 고정 경로 스캔은 1~2% 감소합니다. 이러한 결과는 비전 SSM의 정확도, 효율성, 회전 강건성에 있어 스캔 순서 설계와 채널 필터링이 중요하면서도 덜 탐색된 요소임을 강조합니다. 코드는 논문 수락 시 공개될 예정입니다.