論文の概要: DC-WCNN: A deep cascade of wavelet based convolutional neural networks for MR Image Reconstruction

• arxiv url: http://arxiv.org/abs/2001.02397v1
• Date: Wed, 8 Jan 2020 07:04:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 12:57:52.943691
• Title: DC-WCNN: A deep cascade of wavelet based convolutional neural networks for MR Image Reconstruction
• Title（参考訳）: DC-WCNN:MR画像再構成のためのウェーブレットに基づく畳み込みニューラルネットワークのディープカスケード
• Authors: Sriprabha Ramanarayanan, Balamurali Murugesan, Keerthi Ram and Mohanasankar Sivaprakasam
• Abstract要約: 微細構造を復元するU-Netアーキテクチャの修正を提案する。 提案するネットワークはウェーブレットパケット変換ベースデコーダCNNであり,CNNと呼ばれる残差学習を行う。 また、WCNNとk空間データ忠実度ユニットのカスケードで構成されるディープ・カスケード・フレームワーク(DC-WCNN)を提案する。
• 参考スコア（独自算出の注目度）: 1.376408511310322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Several variants of Convolutional Neural Networks (CNN) have been developed for Magnetic Resonance (MR) image reconstruction. Among them, U-Net has shown to be the baseline architecture for MR image reconstruction. However, sub-sampling is performed by its pooling layers, causing information loss which in turn leads to blur and missing fine details in the reconstructed image. We propose a modification to the U-Net architecture to recover fine structures. The proposed network is a wavelet packet transform based encoder-decoder CNN with residual learning called CNN. The proposed WCNN has discrete wavelet transform instead of pooling and inverse wavelet transform instead of unpooling layers and residual connections. We also propose a deep cascaded framework (DC-WCNN) which consists of cascades of WCNN and k-space data fidelity units to achieve high quality MR reconstruction. Experimental results show that WCNN and DC-WCNN give promising results in terms of evaluation metrics and better recovery of fine details as compared to other methods.
• Abstract（参考訳）: 磁気共鳴(MR)画像再構成のために,いくつかの畳み込みニューラルネットワーク(CNN)が開発された。 U-NetはMR画像再構成のベースラインアーキテクチャであることが示されている。 しかし、サブサンプリングはプール層によって行われるため、情報損失が発生し、その結果、再構成された画像の細部がぼやけてしまう。 微細構造を復元するU-Netアーキテクチャの修正を提案する。 提案するネットワークは、ウェーブレットパケット変換に基づくエンコーダデコーダCNNであり、残差学習はCNNと呼ばれる。 提案するWCNNは、非プーリング層や残差接続の代わりに、プールや逆ウェーブレット変換の代わりに離散ウェーブレット変換を持つ。 また,高品質MR再構成を実現するため,WCNNとk空間データ忠実度ユニットのカスケードで構成されるディープカスケードフレームワーク(DC-WCNN)を提案する。 実験の結果, wcnn と dc-wcnn は, 他の手法と比較して, 評価指標と細部回復率の面で有望な結果をもたらすことがわかった。

関連論文リスト

• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• JSRNN: Joint Sampling and Reconstruction Neural Networks for High Quality Image Compressed Sensing [8.902545322578925]
  提案フレームワークには,サンプリングサブネットワークと再構築サブネットワークという2つのサブネットワークが含まれている。 再構成サブネットワークでは、スタックド・デノイング・オートエンコーダ(SDA)と畳み込みニューラルネットワーク(CNN)を組み合わせたカスケードネットワークが信号の再構成のために設計されている。 このフレームワークは、特にサンプリングレートの低い他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2022-11-11T02:20:30Z)
• A heterogeneous group CNN for image super-resolution [127.2132400582117]
  畳み込みニューラルネットワーク(CNN)は、深いアーキテクチャを通して顕著な性能を得た。 異種グループSR CNN(HGSRCNN)を,異なるタイプの構造情報を利用して高品質な画像を得る。
  論文  参考訳（メタデータ） (2022-09-26T04:14:59Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
  本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。 降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。 提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
  論文  参考訳（メタデータ） (2022-07-21T12:50:54Z)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• MIST-net: Multi-domain Integrative Swin Transformer network for Sparse-View CT Reconstruction [6.620837759518855]
  スパースビューデータ再構成は、典型的な過小評価された逆問題の一つである。 マルチドメイン統合スウィントランスネットワーク(MIST-net)を提案する。 48ビューの数値データセットを用いた実験により,提案したMIST-netにより画像品質が向上した。
  論文  参考訳（メタデータ） (2021-11-28T14:43:26Z)
• WaveCNet: Wavelet Integrated CNNs to Suppress Aliasing Effect for Noise-Robust Image Classification [41.94702591058716]
  畳み込みニューラルネットワーク(CNN)はノイズを遮断する傾向がある。 我々は、共通のダウンサンプリングを離散ウェーブレット変換(DWT)に置き換えることで、CNNとウェーブレットを統合することを試みる。 我々はまた、ImageNet、ImageNet-C、および6つの敵攻撃のノイズバージョンでWaveCNetsの性能を検証した。
  論文  参考訳（メタデータ） (2021-07-28T12:59:15Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Momentum-Net for Low-Dose CT Image Reconstruction [13.084578404699172]
  本稿では,低線量X線CT(LDCT)画像再構成に適したモデルを用いて,最近の高速反復型ニューラルネットワークフレームワークであるMomentum-Netを適用した。 提案したMomentum-Netアーキテクチャは,NN, WavResNet (LDCT) のような最先端の非定性画像よりも画像再構成精度が大幅に向上することを示す。 また,非拡張的NN特性を満たすため,画像修正NN学習に適用するスペクトル正規化手法についても検討した。
  論文  参考訳（メタデータ） (2020-02-27T10:26:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。