論文の概要: Unsupervised Sparse-view Backprojection via Convolutional and Spatial Transformer Networks

• arxiv url: http://arxiv.org/abs/2006.01658v1
• Date: Mon, 1 Jun 2020 05:02:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 06:49:41.505045
• Title: Unsupervised Sparse-view Backprojection via Convolutional and Spatial Transformer Networks
• Title（参考訳）: 畳み込みおよび空間的トランスフォーマーネットワークによる教師なしスパースビューバックプロジェクション
• Authors: Xueqing Liu, Paul Sajda
• Abstract要約: 本研究では,非教師付きスパースビューバックプロジェクションアルゴリズムを導入する。 提案アルゴリズムはプロジェクション角が非常に粗い場合にフィルタバックプロジェクションを著しく上回る。 本手法は医用画像および他の画像モダリティに実用的応用がある。
• 参考スコア（独自算出の注目度）: 8.564644163856318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many imaging technologies rely on tomographic reconstruction, which requires solving a multidimensional inverse problem given a finite number of projections. Backprojection is a popular class of algorithm for tomographic reconstruction, however it typically results in poor image reconstructions when the projection angles are sparse and/or if the sensors characteristics are not uniform. Several deep learning based algorithms have been developed to solve this inverse problem and reconstruct the image using a limited number of projections. However these algorithms typically require examples of the ground-truth (i.e. examples of reconstructed images) to yield good performance. In this paper, we introduce an unsupervised sparse-view backprojection algorithm, which does not require ground-truth. The algorithm consists of two modules in a generator-projector framework; a convolutional neural network and a spatial transformer network. We evaluated our algorithm using computed tomography (CT) images of the human chest. We show that our algorithm significantly out-performs filtered backprojection when the projection angles are very sparse, as well as when the sensor characteristics vary for different angles. Our approach has practical applications for medical imaging and other imaging modalities (e.g. radar) where sparse and/or non-uniform projections may be acquired due to time or sampling constraints.
• Abstract（参考訳）: 多くのイメージング技術はトモグラフィー再構成に依存しており、射影数が有限であれば多次元逆問題を解く必要がある。 バックプロジェクションは、トモグラフィー再構成のための一般的なアルゴリズムのクラスであるが、通常、投影角が疎い場合や、センサ特性が均一でない場合は、画像再構成が貧弱になる。 この逆問題を解くために、いくつかのディープラーニングベースのアルゴリズムが開発され、限られた数の投影を用いて画像を再構成している。 しかし、これらのアルゴリズムは、良い性能を得るためには、通常、地平線(すなわち再構成画像の例)の例を必要とする。 本稿では,非教師付きスパースビューバックジェクションアルゴリズムを提案する。 このアルゴリズムは、ジェネレータ-プロジェクタフレームワークの2つのモジュールから成り、畳み込みニューラルネットワークと空間トランスフォーマーネットワークである。 胸部CT画像を用いて本アルゴリズムの評価を行った。 提案アルゴリズムは, 投影角度が非常に小さい場合や, センサ特性が異なる場合などにおいて, 後方投影のフィルタ性能を著しく向上することを示す。 我々のアプローチは、時間やサンプリングの制約によりスパースや非均一なプロジェクションを取得できる医療画像やその他の画像モダリティ(レーダーなど)に実践的な応用がある。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Multi-Feature Aggregation in Diffusion Models for Enhanced Face Super-Resolution [6.055006354743854]
  超解像を生成するために,複数の低画質画像から抽出した特徴と組み合わせた低解像度画像を利用するアルゴリズムを開発した。 他のアルゴリズムとは異なり、我々のアプローチは属性情報を明示的に提供せずに顔の特徴を復元する。 これは、高解像度画像と低解像度画像を組み合わせて、より信頼性の高い超高解像度画像を生成するコンディショナーとして初めて使用される。
  論文  参考訳（メタデータ） (2024-08-27T20:08:33Z)
• Convolutional Analysis Operator Learning by End-To-End Training of Iterative Neural Networks [3.6280929178575994]
  本稿では、反復ニューラルネットワークのエンドツーエンドトレーニングにより、畳み込みスペーシングフィルタを効率的に学習する方法を示す。 我々は,非カルテシアン2次元心血管MRI例に対するアプローチを検証し,得られたフィルタが,デカップリングプレトレーニングにより得られたものよりも,対応する再構成アルゴリズムに適していることを示した。
  論文  参考訳（メタデータ） (2022-03-04T07:32:16Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• An Adversarial Learning Based Approach for Unknown View Tomographic Reconstruction [27.661868972910742]
  しばしば、射影線に関連する射影角が予め知られていると仮定される。 しかし、特定の状況下では、これらの角度は概して知られているか、完全には分かっていない。 画像と投影角分布を復元する逆学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-23T00:28:47Z)
• UVTomo-GAN: An adversarial learning based approach for unknown view X-ray tomographic reconstruction [27.661868972910742]
  トモグラフィー再構成は、異なる角度から投影された未知の画像を復元する。 ここでは、(1)射影角が未知、(2)未知の確率分布から引き出される、というより難しい設定に取り組む。 このセットアップでは、教師なしの対角学習手法を用いて画像と投影角分布を復元することを目的としている。
  論文  参考訳（メタデータ） (2021-02-09T00:51:25Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Uncalibrated Neural Inverse Rendering for Photometric Stereo of General Surfaces [103.08512487830669]
  本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。 既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。 本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
  論文  参考訳（メタデータ） (2020-12-12T10:33:08Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• u-net CNN based fourier ptychography [5.46367622374939]
  本稿では,畳み込みニューラルネットワークに基づく新しい検索アルゴリズムを提案する。 実験により, システム収差下において, 再現性が向上し, より堅牢であることが確認された。
  論文  参考訳（メタデータ） (2020-03-16T22:48:44Z)

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。