Fugu-MT 論文翻訳(概要): iUNets: Fully invertible U-Nets with Learnable Up- and Downsampling

論文の概要: iUNets: Fully invertible U-Nets with Learnable Up- and Downsampling

arxiv url: http://arxiv.org/abs/2005.05220v3
Date: Tue, 30 Jun 2020 09:32:29 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 20:12:01.176352
Title: iUNets: Fully invertible U-Nets with Learnable Up- and Downsampling
Title（参考訳）: iUNets:学習可能なアップサンプリングとダウンサンプリングを備えた完全な非可逆U-Net
Authors: Christian Etmann and Rihuan Ke and Carola-Bibiane Sch\"onlieb
Abstract要約: iUNetと呼ばれる,完全可逆なU-Netアーキテクチャを提案する。 iUNetは、学習可能で非可逆なアップサンプリングとダウンサンプリングの操作を採用しており、メモリ効率の良いバックプロパゲーションを可能にする。
参考スコア（独自算出の注目度）: 2.918938321104601
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: U-Nets have been established as a standard architecture for image-to-image learning problems such as segmentation and inverse problems in imaging. For large-scale data, as it for example appears in 3D medical imaging, the U-Net however has prohibitive memory requirements. Here, we present a new fully-invertible U-Net-based architecture called the iUNet, which employs novel learnable and invertible up- and downsampling operations, thereby making the use of memory-efficient backpropagation possible. This allows us to train deeper and larger networks in practice, under the same GPU memory restrictions. Due to its invertibility, the iUNet can furthermore be used for constructing normalizing flows.
Abstract（参考訳）: U-Netは画像分割や画像の逆問題といった画像間学習の標準的なアーキテクチャとして確立されている。大規模なデータについては、例えば3D医療画像に見られるように、U-Netはメモリ要求を禁止している。本稿では,メモリ効率のよいバックプロパゲーションを実現するために,新しい学習可能で倒立可能なアップ・アンド・ダウンサンプリング操作を用いた,iunetと呼ばれる,完全にインバータブルなu-netベースのアーキテクチャを提案する。これにより、GPUメモリと同じ制限の下で、より深いネットワークを実際にトレーニングすることが可能になります。その可逆性のため、iUNetはさらに正規化フローを構築するために使うことができる。

関連論文リスト

LoFi: Scalable Local Image Reconstruction with Implicit Neural Representation [11.544632963705858]
画像逆問題(LoFi)を解決するための座標ベースの局所処理フレームワークを提案する。従来の画像再構成法とは異なり、LoFiは各座標でローカル情報を処理している。 LoFiは任意の連続座標で画像を復元することができ、複数の解像度で画像再構成が可能である。
論文参考訳（メタデータ） (2024-11-07T18:58:57Z)
Swap-Net: A Memory-Efficient 2.5D Network for Sparse-View 3D Cone Beam CT Reconstruction [13.891441371598546]
プロジェクションの限られたセットから3次元コーンビーム計算トモグラフィ(CBCT)画像の再構成は、多くの画像応用において逆問題である。本稿では,スパースビュー3次元CBCT画像再構成のためのメモリ効率2.5DネットワークであるSwap-Netを提案する。
論文参考訳（メタデータ） (2024-09-29T08:36:34Z)
Lightplane: Highly-Scalable Components for Neural 3D Fields [54.59244949629677]
Lightplane RenderとSplatterは2D-3Dマッピングにおけるメモリ使用量を大幅に削減した。これらのイノベーションは、メモリと計算コストの少ない、はるかに高解像度で高解像度の画像の処理を可能にする。
論文参考訳（メタデータ） (2024-04-30T17:59:51Z)
Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object Structure via HyperNetworks [53.67497327319569]
画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
論文参考訳（メタデータ） (2023-12-24T08:42:37Z)
GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文参考訳（メタデータ） (2022-07-18T06:01:29Z)
Implicit U-Net for volumetric medical image segmentation [0.6294759639481189]
Implicit U-Netは、教師付きイメージセグメンテーションタスクに効率的なImplicit Representationパラダイムを適用する。我々の暗黙のU-Netは、同等のU-Netよりも40%少ないパラメータを持つ。等価な完全畳み込みU-Netと比較すると、Implicit U-Netは約30%の推論とトレーニング時間を短縮する。
論文参考訳（メタデータ） (2022-06-30T12:00:40Z)
Restormer: Efficient Transformer for High-Resolution Image Restoration [118.9617735769827]
畳み込みニューラルネットワーク(CNN)は、大規模データから一般化可能な画像の事前学習をうまく行う。トランスフォーマーは、自然言語とハイレベルな視覚タスクにおいて、顕著なパフォーマンス向上を示している。我々のモデルであるRecovery Transformer (Restormer) は、いくつかの画像復元タスクにおいて最先端の結果を得る。
論文参考訳（メタデータ） (2021-11-18T18:59:10Z)
IICNet: A Generic Framework for Reversible Image Conversion [40.21904131503064]
Reversible Image conversion (RIC) は、特定の視覚コンテンツ(例えばショートビデオ)と埋め込み画像の間の可逆変換を構築することを目的としている。 Invertible Image Conversion Net (IICNet) は、強力な容量とタスクに依存しない設計のため、様々なRICタスクに対する汎用的なソリューションである。
論文参考訳（メタデータ） (2021-09-09T13:06:59Z)
A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。 SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
論文参考訳（メタデータ） (2021-08-17T16:20:51Z)
Invertible Residual Network with Regularization for Effective Medical Image Segmentation [2.76240219662896]
バックプロパゲーションを用いたニューラルネットワークのトレーニングにおいて、アクティベーションメモリフットプリントを大幅に削減するために、可逆ニューラルネットワークが適用されている。可逆残存ネットワーク(部分可逆残存ネットワーク, Partially-InvRes)と完全可逆残存ネットワーク(Fully-InvRes)の2つのバージョンを提案する。この結果から,部分可逆ネットワークをボリュームセグメンテーションの中心として用いることにより,メモリオーバヘッドを削減できるだけでなく,非可逆的3d unetと同等なセグメンテーション性能を実現することができた。
論文参考訳（メタデータ） (2021-03-16T13:19:59Z)
KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
論文参考訳（メタデータ） (2020-10-04T19:23:33Z)

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。