Fugu-MT 論文翻訳(概要): ReLGAN: Generalization of Consistency for GAN with Disjoint Constraints and Relative Learning of Generative Processes for Multiple Transformation Learning

論文の概要: ReLGAN: Generalization of Consistency for GAN with Disjoint Constraints and Relative Learning of Generative Processes for Multiple Transformation Learning

arxiv url: http://arxiv.org/abs/2006.07809v1
Date: Sun, 14 Jun 2020 06:03:30 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 09:41:09.779855
Title: ReLGAN: Generalization of Consistency for GAN with Disjoint Constraints and Relative Learning of Generative Processes for Multiple Transformation Learning
Title（参考訳）: ReLGAN:分散制約付きGANの一貫性の一般化と多重変換学習のための生成過程の相対学習
Authors: Chiranjib Sur
Abstract要約: 画像変換を改良するための2つの新しい概念である変換学習(TL)と相対学習(Relative Learning)を紹介する。我々の新しいアーキテクチャは、画像のための改良されたニューラル画像変換バージョンを作成しました。
参考スコア（独自算出の注目度）: 9.89901717499058
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Image to image transformation has gained popularity from different research communities due to its enormous impact on different applications, including medical. In this work, we have introduced a generalized scheme for consistency for GAN architectures with two new concepts of Transformation Learning (TL) and Relative Learning (ReL) for enhanced learning image transformations. Consistency for GAN architectures suffered from inadequate constraints and failed to learn multiple and multi-modal transformations, which is inevitable for many medical applications. The main drawback is that it focused on creating an intermediate and workable hybrid, which is not permissible for the medical applications which focus on minute details. Another drawback is the weak interrelation between the two learning phases and TL and ReL have introduced improved coordination among them. We have demonstrated the capability of the novel network framework on public datasets. We emphasized that our novel architecture produced an improved neural image transformation version for the image, which is more acceptable to the medical community. Experiments and results demonstrated the effectiveness of our framework with enhancement compared to the previous works.
Abstract（参考訳）: 画像から画像への変換は、医学を含む様々な応用に多大な影響を与えるため、さまざまな研究コミュニティから人気を集めている。本研究では,GANアーキテクチャの整合性のための一般化されたスキームを導入し,画像変換を改良するための2つの新しい概念である変換学習(TL)と相対学習(ReL)を紹介した。 GANアーキテクチャの一貫性は、不適切な制約に悩まされ、多くの医療アプリケーションでは避けられない複数のモーダル変換を学習できなかった。主な欠点は、細部に集中する医療アプリケーションでは許容できない、中間的で作業可能なハイブリッドを作ることに重点を置いていることだ。もうひとつの欠点は、2つの学習フェーズ間の弱い相互関係であり、TLとReLはそれらの調整を改善した。我々は、パブリックデータセット上の新しいネットワークフレームワークの能力を実証した。私たちは、新しいアーキテクチャが画像のニューラルイメージ変換バージョンを改良し、医療コミュニティに受け入れられるようにしたことを強調した。実験と実験により,前作と比較して強化したフレームワークの有効性が示された。

関連論文リスト

Transformer-CNN Fused Architecture for Enhanced Skin Lesion Segmentation [0.0]
畳み込みニューラルネットワーク(CNN)は、非常に高度な医療画像セグメンテーションを持つ。 CNNは、長距離依存関係の学習とグローバルコンテキストの取得に苦労している。我々は、トランスフォーマーがグローバルな依存関係をキャプチャする能力と、CNNが低レベル空間の詳細をキャプチャする能力を組み合わせたハイブリッドアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-10T18:36:14Z)
Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文参考訳（メタデータ） (2023-02-23T06:16:15Z)
Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文参考訳（メタデータ） (2022-03-26T01:42:59Z)
MICDIR: Multi-scale Inverse-consistent Deformable Image Registration using UNetMSS with Self-Constructing Graph Latent [0.0]
本稿ではVoxelmorphアプローチを3つの異なる方法で拡張する。変形の小さい場合や大きな場合の性能向上のために,マルチスケールのUNetを用いて,解像度の異なるモデルの監視を行った。脳MRIの登録作業において、提案手法はANTやVoxelMorphよりも大幅に改善された。
論文参考訳（メタデータ） (2022-03-08T18:07:47Z)
Adaptive Image Transformations for Transfer-based Adversarial Attack [73.74904401540743]
適応画像変換学習(AITL)と呼ばれる新しいアーキテクチャを提案する。精巧に設計した学習者は、入力画像固有の画像変換の最も効果的な組み合わせを適応的に選択する。本手法は、通常訓練されたモデルと防衛モデルの両方において、各種設定下での攻撃成功率を大幅に向上させる。
論文参考訳（メタデータ） (2021-11-27T08:15:44Z)
Medical Transformer: Gated Axial-Attention for Medical Image Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文参考訳（メタデータ） (2021-02-21T18:35:14Z)
Flow-based Deformation Guidance for Unpaired Multi-Contrast MRI Image-to-Image Translation [7.8333615755210175]
本稿では,非可逆的アーキテクチャに基づく画像と画像の非対角変換に対する新しいアプローチを提案する。我々は、連続スライス間の時間的情報を利用して、不適切な医療画像において、あるドメインを別のドメインに変換する最適化により多くの制約を与える。
論文参考訳（メタデータ） (2020-12-03T09:10:22Z)
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)
Medical Image Generation using Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティにおいて、教師なしのディープラーニングアプローチである。 GANはリアルな医療画像とそれに対応するアノテーションを生成する。 Deep Convolutional GAN (DCGAN)、Laplacian GAN (LAPGAN)、Pix2pix、CycleGAN、unsupervised image-to-image translation model (UNIT)など、医学画像の解釈で人気を得たガンの様々なフレームワーク
論文参考訳（メタデータ） (2020-05-19T20:31:57Z)
Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。