論文の概要: Limited-angle CT reconstruction via the L1/L2 minimization

• arxiv url: http://arxiv.org/abs/2006.00601v4
• Date: Thu, 18 Mar 2021 02:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 13:16:02.995109
• Title: Limited-angle CT reconstruction via the L1/L2 minimization
• Title（参考訳）: L1/L2最小化によるリミテッドアングルCT再構成
• Authors: Chao Wang, Min Tao, James Nagy, Yifei Lou
• Abstract要約: CT (Computerd tomography) 再構成において, リミテッドアングル走査問題に対する勾配のL1/L2項の最小化を検討する。 我々は,乗算器の交互方向法が収束を保証できるように,制約のない最適化モデルのための特定の分割フレームワークを設計する。
• 参考スコア（独自算出の注目度）: 4.276675330854271
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we consider minimizing the L1/L2 term on the gradient for a limited-angle scanning problem in computed tomography (CT) reconstruction. We design a specific splitting framework for an unconstrained optimization model so that the alternating direction method of multipliers (ADMM) has guaranteed convergence under certain conditions. In addition, we incorporate a box constraint that is reasonable for imaging applications, and the convergence for the additional box constraint can also be established. Numerical results on both synthetic and experimental datasets demonstrate the effectiveness and efficiency of our proposed approaches, showing significant improvements over the state-of-the-art methods in the limited-angle CT reconstruction.
• Abstract（参考訳）: 本稿では,CT (Computed tomography) 再構成における限定角度走査問題に対する勾配のL1/L2項の最小化について検討する。 我々は,制約のない最適化モデルに対して,乗算器の交互方向法(ADMM)が一定の条件下で収束することを保証できるように,特定の分割フレームワークを設計する。 さらに,撮像応用に合理的なボックス制約を取り入れ,追加のボックス制約に対する収束性も確立できる。 提案手法の有効性と有効性は, 合成データセットと実験データセットの双方で数値的に示し, 限定角度CT再構成における最先端手法よりも有意な改善が見られた。

関連論文リスト

• Alternating Minimization Schemes for Computing Rate-Distortion-Perception Functions with $f$-Divergence Perception Constraints [10.564071872770146]
  離散メモリレスソースに対するRDPF(Ralse-Distortion-Perception Function)の計算について検討した。 最適パラメトリック解を特徴付ける。 歪みと知覚制約について十分な条件を提供する。
  論文  参考訳（メタデータ） (2024-08-27T12:50:12Z)
• Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
  本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。 制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
  論文  参考訳（メタデータ） (2024-02-16T16:35:18Z)
• Low-resolution Prior Equilibrium Network for CT Reconstruction [3.5639148953570836]
  本稿では,低分解能画像を導入し,ネットワークの堅牢性を改善するための効果的な正規化項を得る,新しいディープラーニングベースのCT再構成モデルを提案する。 狭角化と狭角化の両問題を実験的に検討し, ノイズ低減, コントラスト・ツー・ノイズ比, エッジ細部保存の両面において, エンド・ツー・エンドの低分解能事前平衡モデルが他の最先端手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-01-28T13:59:58Z)
• LRIP-Net: Low-Resolution Image Prior based Network for Limited-Angle CT Reconstruction [5.796842150589423]
  ダウンサンプル投影データ上に低分解能再構成問題を構築する。 再構成した低解像度画像を,元のリミテッドアングルCT問題に対する事前知識として利用する。
  論文  参考訳（メタデータ） (2022-07-30T13:03:20Z)
• Fast Multi-grid Methods for Minimizing Curvature Energy [6.882141405929301]
  平均曲率とガウス曲率エネルギー関数を最小化するための高速マルチグリッドアルゴリズムを提案する。 我々の定式化では人工パラメータは導入されず、提案アルゴリズムの堅牢性を保証する。 画像のテクスチャを復元する能力を実証するために,画像復調とCT再構成の両問題に対して数値実験を行った。
  論文  参考訳（メタデータ） (2022-04-17T04:34:38Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Inverse design of photonic devices with strict foundry fabrication constraints [55.41644538483948]
  本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。 本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
  論文  参考訳（メタデータ） (2022-01-31T02:27:25Z)
• Lifting the Convex Conjugate in Lagrangian Relaxations: A Tractable Approach for Continuous Markov Random Fields [53.31927549039624]
  断片的な離散化は既存の離散化問題と矛盾しないことを示す。 この理論を2つの画像のマッチング問題に適用する。
  論文  参考訳（メタデータ） (2021-07-13T12:31:06Z)
• Conditional gradient methods for stochastically constrained convex minimization [54.53786593679331]
  構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。 私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。 提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
  論文  参考訳（メタデータ） (2020-07-07T21:26:35Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)

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。