Buchumschlag

Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Möllers, Alexander, Hense, Julius, Schulz, Florian, Milbich, Timo, Alber, Maximilian, Ruff, Lukas
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Robust Foundation Models for Digital Pathology
von: Kömen, Jonah, et al.
Veröffentlicht: (2025)

Atlas: A Novel Pathology Foundation Model by Mayo Clinic, Charité, and Aignostics
von: Alber, Maximilian, et al.
Veröffentlicht: (2025)

Do Histopathological Foundation Models Eliminate Batch Effects? A Comparative Study
von: Kömen, Jonah, et al.
Veröffentlicht: (2024)

RudolfV: A Foundation Model by Pathologists for Pathologists
von: Dippel, Jonas, et al.
Veröffentlicht: (2024)

xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer
von: Sextro, Marvin, et al.
Veröffentlicht: (2024)

Atlas 2 -- Foundation models for clinical deployment
von: Alber, Maximilian, et al.
Veröffentlicht: (2026)

Mind the Gap: Preserving and Compensating for the Modality Gap in CLIP-Based Continual Learning
von: Huang, Linlan, et al.
Veröffentlicht: (2025)

Semantic Mosaicing of Histo-Pathology Image Fragments using Visual Foundation Models
von: Brandstätter, Stefan, et al.
Veröffentlicht: (2025)

CellViT++: Energy-Efficient and Adaptive Cell Segmentation and Classification Using Foundation Models
von: Hörst, Fabian, et al.
Veröffentlicht: (2025)

Towards Large-Scale Training of Pathology Foundation Models
von: ai, kaiko., et al.
Veröffentlicht: (2024)

PathoTune: Adapting Visual Foundation Model to Pathological Specialists
von: Lu, Jiaxuan, et al.
Veröffentlicht: (2024)

Foundational Models for Pathology and Endoscopy Images: Application for Gastric Inflammation
von: Kerdegari, Hamideh, et al.
Veröffentlicht: (2024)

Benchmarking Pathology Foundation Models for Breast Cancer Survival Prediction
von: Gustafsson, Fredrik K., et al.
Veröffentlicht: (2026)

Segmentation by Factorization: Unsupervised Semantic Segmentation for Pathology by Factorizing Foundation Model Features
von: Gildenblat, Jacob, et al.
Veröffentlicht: (2024)

Universal and Transferable Attacks on Pathology Foundation Models
von: Wang, Yuntian, et al.
Veröffentlicht: (2025)

Mind the Gap Between Prototypes and Images in Cross-domain Finetuning
von: Tian, Hongduan, et al.
Veröffentlicht: (2024)

Magnification-Invariant Image Classification via Domain Generalization and Stable Sparse Embedding Signatures
von: Ezuma, Ifeanyi, et al.
Veröffentlicht: (2026)

Mind the Domain Gap: Measuring the Domain Gap Between Real-World and Synthetic Point Clouds for Automated Driving Development
von: Duc, Nguyen, et al.
Veröffentlicht: (2025)

Mind the Gap: Learning Modality-Agnostic Representations with a Cross-Modality UNet
von: Niu, Xin, et al.
Veröffentlicht: (2026)

EXAONEPath 1.0 Patch-level Foundation Model for Pathology
von: Yun, Juseung, et al.
Veröffentlicht: (2024)

A Survey of Pathology Foundation Model: Progress and Future Directions
von: Xiong, Conghao, et al.
Veröffentlicht: (2025)

Overcoming the Stability Gap in Continual Learning
von: Harun, Md Yousuf, et al.
Veröffentlicht: (2023)

Mind the Gap: Evaluating Patch Embeddings from General-Purpose and Histopathology Foundation Models for Cell Segmentation and Classification
von: Vadori, Valentina, et al.
Veröffentlicht: (2025)

xMIL: Insightful Explanations for Multiple Instance Learning in Histopathology
von: Hense, Julius, et al.
Veröffentlicht: (2024)

Mind the Gap: Confidence Discrepancy Can Guide Federated Semi-Supervised Learning Across Pseudo-Mismatch
von: Liu, Yijie, et al.
Veröffentlicht: (2025)

EXAONE Path 2.0: Pathology Foundation Model with End-to-End Supervision
von: Pyeon, Myeongjang, et al.
Veröffentlicht: (2025)

UrbanGenAI: Reconstructing Urban Landscapes using Panoptic Segmentation and Diffusion Models
von: Kapsalis, Timo
Veröffentlicht: (2024)

Sampling Foundational Transformer: A Theoretical Perspective
von: Nguyen, Viet Anh, et al.
Veröffentlicht: (2024)

Scanner-Induced Domain Shifts Undermine the Robustness of Pathology Foundation Models
von: Thiringer, Erik, et al.
Veröffentlicht: (2026)

Beyond Attention Heatmaps: How to Get Better Explanations for Multiple Instance Learning Models in Histopathology
von: Idaji, Mina Jamshidi, et al.
Veröffentlicht: (2026)

Virchow2: Scaling Self-Supervised Mixed Magnification Models in Pathology
von: Zimmermann, Eric, et al.
Veröffentlicht: (2024)

Reflecting on the State of Rehearsal-free Continual Learning with Pretrained Models
von: Thede, Lukas, et al.
Veröffentlicht: (2024)

Towards A Generalizable Pathology Foundation Model via Unified Knowledge Distillation
von: Ma, Jiabo, et al.
Veröffentlicht: (2024)

VisionTS++: Cross-Modal Time Series Foundation Model with Continual Pre-trained Vision Backbones
von: Shen, Lefei, et al.
Veröffentlicht: (2025)

Virchow: A Million-Slide Digital Pathology Foundation Model
von: Vorontsov, Eugene, et al.
Veröffentlicht: (2023)

Subspecialty-Specific Foundation Model for Intelligent Gastrointestinal Pathology
von: Zhu, Lianghui, et al.
Veröffentlicht: (2025)

Evaluating Computational Pathology Foundation Models for Prostate Cancer Grading under Distribution Shifts
von: Gustafsson, Fredrik K., et al.
Veröffentlicht: (2024)

Brain-Semantoks: Learning Semantic Tokens of Brain Dynamics with a Self-Distilled Foundation Model
von: Gijsen, Sam, et al.
Veröffentlicht: (2025)

Closing the Visual Sim-to-Real Gap with Object-Composable NeRFs
von: Mishra, Nikhil, et al.
Veröffentlicht: (2024)

VMDT: Decoding the Trustworthiness of Video Foundation Models
von: Potter, Yujin, et al.
Veröffentlicht: (2025)