Current virtual staining approaches offer the potential for time- and cost-efficient biomarker quantification in cancer diagnostics and prognostics. However, patch-wise inference for gigapixel whole-slide images fails to maintain spatial continuity, yielding artifacts that cause catastrophic mismatches with ground-truth images. Although pathology Vision Foundation Models (VFMs) offer rich representations, their self-attention causes varying global contexts to produce inconsistent embeddings for the same physical region. We formalize and validate this "context contamination" as a sheaf-theoretic problem where these embeddings form a presheaf whose sections disagree on overlaps, so no global section restricts to them. To address this, we propose SheafStain, a new approach that reinterprets VFM features as sheaf-like sections for spatially and biologically coherent virtual staining. Specifically, SheafStain integrates class and patch tokens into a Schr\"odinger Bridge framework as sheaf-like sections. While the class token anchors biological consistency, patch tokens form a per-position spatial map. A feature space from a single VFM encoder pretrained on Hematoxylin \& Eosin and Immunohistochemistry supervises both input conditioning and output stain alignment. Departing from prior work that evaluates on isolated $256 \times 256$ patches and either random-crops or resizes the $1024 \times 1024$ ground truth, we translate at $256 \times 256$ and evaluate on the stitched $1024 \times 1024$ outputs across HER2, ER, PR, and Ki-67. SheafStain demonstrates promising results against six prior methods while mitigating patch-boundary stitching artifacts. Code is available at https://github.com/deepnoid-ai/SheafStain.
활성화 조종(Activation steering)은 추론(inference) 시점에 대규모 언어 모델(LLM)을 제어하기 위한 미세조정(fine-tuning)의 경량 대안을 제공합니다. 기존의 많은 방법들은 원하는 활성화 분포와 원하지 않는 활성화 분포 사이의 로그-밀도비 목적함수를 암묵적으로 최적화하지만, 이를 원리적인 최적화 문제에서 유도하는 것이 아니라 휴리스틱하게 수행합니다. 더불어 이러한 방법들은 쿼리 독립적인 조종 방향을 생성하여 분포 내(in-distribution) 및 분포 외(OOD) 입력 모두에서 성능을 저하시킬 수 있습니다. 저희는 잔차 스트림 초구면 위의 슈뢰딩거 브릿지(Schrödinger Bridge)로 활성화 조종을 재정립함으로써 두 가지 한계를 모두 해결하는 \textsc{Cobras}(Conditional Optimal Bridge for Riemannian Activation Steering)를 소개합니다. 이 공식화는 저희가 알기로는 적합하게 정의된 최적화 문제로부터 로그-밀도비 조종 목적함수에 대한 최초의 원리적 유도를 제공합니다. 엔트로픽 최적 수송(entropic optimal transport)을 통해 브릿지를 풀고 확률 흐름 ODE(probability flow ODE)를 추출하면, 싱크혼 포텐셜이 균일한 특수한 경우에 널리 사용되는 밀도비 그래디언트(gradient)가 복원됩니다. 핵심적으로, 슈뢰딩거 포텐셜은 현재 활성화값에서 평가되므로 결과적으로 생성된 조종 방향이 본질적으로 쿼리 적응형이 됩니다. 실험적으로, 네 가지 모델과 세 가지 정렬(alignment) 축(유용성, 진실성, 무독화)에 걸쳐, \textsc{Cobras}는 기존 방법들에서 흔히 관찰되는 OOD 성능 저하를 피하면서 이전 활성화 조종 기준선들을 지속적으로 능가합니다. 코드는 https://github.com/arshandalili/cobras 에서 확인할 수 있습니다.
플로우 매칭(flow matching)에서 영감을 받은 부분 시뮬레이션 없는 학습 프레임워크를 반사 슈뢰딩거 브리지(reflected Schrödinger Bridge)에 적용하여, 기존 전방-후방 SDE 기반 방법의 고비용 고차 미분 및 전체 경로 샘플링 문제를 해결한다. 새로운 샘플링 방법과 회귀 목적함수를 통해 반사 동역학을 학습과 추론 모두에서 무시할 수 있는 수준의 추가 시간만으로 적용하면서 고차원 이미지 데이터셋 간 변환에서 생성 성능을 유지하거나 소폭 향상시켰다.
컴퓨터 단층 촬영(CT)은 내부 해부학적 구조를 비침습적이고 고해상도로 시각화하는 핵심 이미징 방식입니다. 그러나 스캔 대상이 스캐너의 시야(FOV)를 초과할 경우, 투영 데이터가 절단되어 불완전한 재구성과 FOV 경계 근처에서 뚜렷한 아티팩트가 발생합니다. 기존 재구성 알고리즘은 이러한 데이터에서 정확한 해부학적 정보를 복원하는 데 어려움을 겪어 임상적 신뢰도를 제한합니다. FOV 확장을 위해 심층 학습 접근 방식이 탐색되어 왔으며, 확산 생성 모델은 이미지 합성 분야의 최신 발전을 대표합니다. 그러나 기존 확산 모델은 반복적인 샘플링 과정으로 인해 계산 비용이 많이 들고 추론 속도가 느립니다. 이러한 한계를 해결하기 위해, 우리는 이미지 투 이미지 슈뢰딩거 브리지(I$^2$SB) 확산 모델을 기반으로 하는 효율적인 CT FOV 확장 프레임워크를 제안합니다. 순수 가우시안 노이즈에서 이미지를 합성하는 기존 확산 모델과 달리, I$^2$SB는 제한된 FOV와 확장된 FOV 이미지 쌍 사이의 직접적인 확률적 매핑을 학습합니다. 이러한 직접적인 대응 관계는 더 해석 가능하고 추적 가능한 생성 과정을 산출하며, 재구성 시 해부학적 일관성과 구조적 충실도를 향상시킵니다. I$^2$SB는 시뮬레이션된 노이즈 데이터에서 49.8 HU, 실제 데이터에서 152.0 HU의 제곱 평균 제곱근 오차(RMSE)를 기록하여 조건부 노이즈 제거 확산 확률 모델(cDDPM) 및 패치 기반 확산 방법과 같은 최첨단 확산 모델보다 우수한 정량적 성능을 달성했습니다. 더불어, 1단계 추론을 통해 2D 슬라이스당 단 0.19초 만에 재구성이 가능하여, cDDPM(135초) 대비 700배 이상의 속도 향상을 보이며 두 번째로 빠른 DiffusionGAN(0.58초)을 앞섰습니다. 정확성과 효율성의 이러한 결합은 I$^2$SB가 실시간 또는 임상 배치에 잠재력이 있음을 시사합니다.
확산 모델(diffusion models)과 슈뢰딩거 브리지(Schrödinger bridge)를 포함한 확률적 미분 방정식(SDE) 기반 생성 모델은 음성 향상, 이미지 복원, 시계열 생성과 같은 신호 처리 작업에서 폭넓게 적용되어 왔습니다. 이 논문은 확률적 열역학 맥락에서 이러한 모델들을 위한 모델링 프레임워크를 제시합니다. 이 논문의 주요 결과는 일, 열, 엔트로피 생성에 대한 궤적 수준의 정의와 더불어 일반화된 야르진스키 등식(Jarzynski identity) 및 제2법칙 유사 부등식입니다. 제안된 프레임워크는 시간 의존적인 열원 온도와 비보존 구동력을 수용하도록 기존의 야르진스키 설정을 확장합니다. 이러한 열역학적 관점은 비평형 통계 역학 관점에서 확산 모델과 슈뢰딩거 브리지에 대한 이해를 심화시킬 수 있습니다.
고콘텐츠 이미징 분석(assay)은 화학적 및 유전적 섭동(perturbation)에 대한 세포 반응을 정량화하지만, 취득 시 세포가 화학적으로 고정(fixed)되어 있어 개별 세포의 연속적인 궤적(trajectory)은 관찰할 수 없습니다. 따라서 섭동 모델링은 분리된 주변 분포(marginals)로만 관찰되는 대조군과 처리군 집단 간의 확률적 전송(transport)을 추론하는 문제로 축소됩니다. 최근 생성 모델들은 강력한 종단점 정렬(end-point alignment)을 달성하지만, 경계 일관성(boundary consistency)은 중간 진화(intermediate evolution)를 결정하지 못합니다. 여러 확률적 과정이 관찰된 단일 세포 형태학(morphology)에 의해 지원되지 않는 영역을 통과하면서 동일한 주변 분포를 연결할 수 있기 때문입니다. 본 연구에서는 종단점 전용 감독(endpoint-only supervision) 하에서 단일 세포 전이 모델링을 위한 슈뢰딩거 브리지(Schrödinger Bridge) 공식인 FreeBridge를 소개합니다. FreeBridge는 원자 상태(atomic states)를 인스턴스 분할된(instance-segmented) 단일 세포 표현으로 정의하여 고정된 세포 다양체(manifold)를 확립하고, 경험적 잠재 지원(latent support) 정규화를 통해 이 기하학 내로 제약된 확률적 전송을 학습합니다. BBBC021, RxRx1, JUMP 데이터셋에 걸쳐 FreeBridge는 통합 평가 프로토콜(unified evaluation protocol) 하에서 경쟁력 있거나 개선된 종단점 충실도(endpoint fidelity)와 작용 기제(mechanism-of-action) 유지를 보였으며, BBBC021에서는 중간 지원(intermediate support) 위반을 더욱 감소시켰습니다. 이러한 발견은 생물학적으로 해석 가능한 섭동 역학(perturbation dynamics)을 위한 기하학적 그라운딩(grounding)의 중요성을 강조합니다. 프로젝트 페이지: https://y-research-sbu.github.io/FreeBridge/.