11:38arXiv cs.LG@Kamil Kwarciak, Marek Wodzinski提出 PCFM 模型,基于 PTv3 和流匹配方法进行医学点云补全。在 SkullFix、SkullBreak 和 Mandibular Defect 三个数据集上评估。相对扩散模型(PCDiff),PCFM 采样步数大幅减少,在生成性能上达到最优。在最佳操作点,使用 PTv3 骨干比 PVCNN 快 7 倍。AI模型PCFMPTv3flow matching点云补全医学图像推荐理由:这篇论文搞了个 MedPCFM,用流匹配做医学点云补全,比扩散模型快7倍,在好几个头骨和下颌骨数据集上效果最好。原文
01:10arXiv cs.AI@Luke James Miller, Yugyung Lee针对大规模图像中微小稀疏结构分割的难题,SEMIR 提出了一种新的表示学习框架,将推理从原始像素网格解耦到拓扑保持的潜在图表示上。该方法通过参数化边收缩、节点和边删除,将网格图转化为紧凑、边界对齐的图小类,并保留从图预测到像素标签的精确映射。小类构建被形式化为少样本结构学习问题,通过边界 Dice 准则优化参数,使预测边界与目标语义边缘对齐。在 BraTS 2021、KiTS23 和 LiTS 三个肿瘤分割数据集上,SEMIR 在保持实用运行时间的同时,持续提升了小类结构的 Dice 系数。这项工作为高分辨率结构化视觉数据提供了一种学习任务自适应、拓扑保持潜在表示并支持精确解码的通用框架。论文图表示学习视觉分割医学图像拓扑保持少样本学习推荐理由:做医学图像分割或处理极端类别不平衡问题的研究者,SEMIR 用图小类替代密集网格推理,既保持拓扑又降低计算量,值得关注其边界对齐的少样本学习思路。原文