論文の概要: Multi-Cycle-Consistent Adversarial Networks for CT Image Denoising
- arxiv url: http://arxiv.org/abs/2002.12130v1
- Date: Thu, 27 Feb 2020 14:44:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 09:15:53.436163
- Title: Multi-Cycle-Consistent Adversarial Networks for CT Image Denoising
- Title(参考訳): CT画像デノイングのための多サイクル共振器ネットワーク
- Authors: Jinglan Liu, Yukun Ding, Jinjun Xiong, Qianjun Jia, Meiping Huang,
Jian Zhuang, Bike Xie, Chun-Chen Liu, Yiyu Shi
- Abstract要約: 近年,CCADN(Cycle-Consistent Adversarial Denoising Network)が最先端の成果を上げている。
本稿では、中間ドメインを構築し、局所的およびグローバル的サイクル整合性の両方を強制するマルチサイクル整合対向ネットワーク(MCCAN)を提案する。
- 参考スコア(独自算出の注目度): 27.647625621113296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: CT image denoising can be treated as an image-to-image translation task where
the goal is to learn the transform between a source domain $X$ (noisy images)
and a target domain $Y$ (clean images). Recently, cycle-consistent adversarial
denoising network (CCADN) has achieved state-of-the-art results by enforcing
cycle-consistent loss without the need of paired training data. Our detailed
analysis of CCADN raises a number of interesting questions. For example, if the
noise is large leading to significant difference between domain $X$ and domain
$Y$, can we bridge $X$ and $Y$ with an intermediate domain $Z$ such that both
the denoising process between $X$ and $Z$ and that between $Z$ and $Y$ are
easier to learn? As such intermediate domains lead to multiple cycles, how do
we best enforce cycle-consistency? Driven by these questions, we propose a
multi-cycle-consistent adversarial network (MCCAN) that builds intermediate
domains and enforces both local and global cycle-consistency. The global
cycle-consistency couples all generators together to model the whole denoising
process, while the local cycle-consistency imposes effective supervision on the
process between adjacent domains. Experiments show that both local and global
cycle-consistency are important for the success of MCCAN, which outperforms the
state-of-the-art.
- Abstract(参考訳): CT画像のデノイズ化は、ソースドメインの$X$(ノイズ画像)とターゲットドメインの$Y$(クリーン画像)との変換を学ぶことを目標とする画像から画像への変換タスクとして扱うことができる。
近年、CCADN(Cycle-Consistent Adversarial Denoising Network)は、ペアトレーニングデータを必要としないサイクル-Consistent Losを強制することで、最先端の成果を上げている。
CCADNの詳細な分析は、多くの興味深い疑問を提起する。
例えば、ノイズが大きい場合、ドメイン $x$ とドメイン $y$ の間に大きな差が生じた場合、中間ドメイン $z$ で$x$ と $y$ を橋渡しできますか?
このような中間ドメインが複数のサイクルにつながるので、どのようにしてサイクル一貫性を強制するか?
そこで本研究では,中間ドメインを構築し,局所的およびグローバル的サイクル一貫性を強制するマルチサイクル整合逆ネットワーク (mccan) を提案する。
グローバルサイクル整合性は、すべてのジェネレータを結合してデノナイジングプロセス全体をモデル化し、一方、局所サイクル整合性は隣り合うドメイン間のプロセスに効果的な監督を課す。
実験の結果,局地的・グローバルなサイクル整合性がMCCANの成功に重要であることが明らかとなった。
関連論文リスト
- Partition Speeds Up Learning Implicit Neural Representations Based on
Exponential-Increase Hypothesis [30.335535132234938]
Inlicit Neural representations (INR)は、画像を表現するために$textitcontinuous function$(ニューラルネットワーク)を学ぶことを目的としている。
画像は、色が完全に一致していない多くのオブジェクトから構成される傾向がある。
画像再構成のための2つのINR法の性能向上のための単純な分割機構を提案する。
論文 参考訳(メタデータ) (2023-10-22T05:15:58Z) - CycleNet: Rethinking Cycle Consistency in Text-Guided Diffusion for
Image Manipulation [57.836686457542385]
拡散モデル(DM)は画像合成タスクのブレークスルーを実現するが、一貫したイメージ・ツー・イメージ(I2I)翻訳のための直感的なインタフェースは欠如している。
本稿では,画像操作を正規化するためのDMにサイクル一貫性を組み込んだ,新しくてシンプルな手法であるCyclenetを紹介する。
論文 参考訳(メタデータ) (2023-10-19T21:32:21Z) - An Attentive-based Generative Model for Medical Image Synthesis [18.94900480135376]
注意に基づく二重コントラスト生成モデルであるADC-cycleGANを提案する。
このモデルは、二重コントラスト損失項とCycleGAN損失を統合し、合成された画像がソース領域と区別可能であることを保証する。
実験により,提案したADCサイクルGANモデルが,他の最先端生成モデルに匹敵するサンプルを生成することが示された。
論文 参考訳(メタデータ) (2023-06-02T14:17:37Z) - Spatially Adaptive Self-Supervised Learning for Real-World Image
Denoising [73.71324390085714]
本稿では,現実の sRGB 画像復号化の問題を解決するために,新しい視点を提案する。
ノイズの多い画像における平坦領域とテクスチャ領域のそれぞれの特徴を考慮し、それらを個別に管理する。
LAN自体がBNNの出力で管理されているのに対して,我々はその要件を満たすためのローカル・アウェア・ネットワーク(LAN)を提案する。
論文 参考訳(メタデータ) (2023-03-27T06:18:20Z) - DiffIR: Efficient Diffusion Model for Image Restoration [108.82579440308267]
拡散モデル(DM)は、画像合成過程をデノナイジングネットワークのシーケンシャルな応用にモデル化することで、SOTA性能を達成した。
画像全体や特徴マップを推定する大規模なモデルで大規模なイテレーションを実行する従来のDMは、画像復元には非効率である。
本稿では、小型IR先行抽出ネットワーク(CPEN)、ダイナミックIR変換器(DIRformer)、デノナイズネットワーク(Denoising Network)からなるDiffIRを提案する。
論文 参考訳(メタデータ) (2023-03-16T16:47:14Z) - CVF-SID: Cyclic multi-Variate Function for Self-Supervised Image
Denoising by Disentangling Noise from Image [53.76319163746699]
そこで本研究では,CVF-SIDと呼ばれる,新しい,強力な自己監督型デノベーション手法を提案する。
CVF-SIDは、様々な自己教師付き損失項を活用することにより、入力からクリーンな画像とノイズマップを分離することができる。
最先端の自己監督型画像復調性能を達成し、既存のアプローチに匹敵する。
論文 参考訳(メタデータ) (2022-03-24T11:59:28Z) - Multi-Cycle-Consistent Adversarial Networks for Edge Denoising of
Computed Tomography Images [18.33958264827512]
低線量低線量CT画像(ドメインY)からの高線量CT画像(ドメインX)のような高線量化の試み
本論文では、中間領域を構築し、CT画像のエッジデノイジングのためのローカルおよびグローバルサイクル一貫性の両方を強制するマルチサイクル一貫性対人ネットワーク(MCCAN)を提案する。
論文 参考訳(メタデータ) (2021-04-25T01:53:46Z) - Reconstructing the Noise Manifold for Image Denoising [56.562855317536396]
本稿では,画像ノイズ空間の構造を明示的に活用するcGANを提案する。
画像ノイズの低次元多様体を直接学習することにより、この多様体にまたがる情報のみをノイズ画像から除去する。
我々の実験に基づいて、我々のモデルは既存の最先端アーキテクチャを大幅に上回っている。
論文 参考訳(メタデータ) (2020-02-11T00:31:31Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳(メタデータ) (2020-02-07T03:45:25Z)
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。