論文の概要: AdaIN-Switchable CycleGAN for Efficient Unsupervised Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2008.05753v1
• Date: Thu, 13 Aug 2020 08:30:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 22:19:18.874405
• Title: AdaIN-Switchable CycleGAN for Efficient Unsupervised Low-Dose CT Denoising
• Title（参考訳）: Adain-Switchable CycleGANによる低線量CTの高効率化
• Authors: Jawook Gu, Jong Chul Ye
• Abstract要約: スイッチング可能な1つのジェネレータを用いた新しいサイクルGANアーキテクチャを提案する。 提案手法は,約半数のパラメータを用いて,前回のCycleGAN手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 46.0231398013639
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recently, deep learning approaches have been extensively studied for low-dose CT denoising thanks to its superior performance despite the fast computational time. In particular, cycleGAN has been demonstrated as a powerful unsupervised learning scheme to improve the low-dose CT image quality without requiring matched high-dose reference data. Unfortunately, one of the main limitations of the cycleGAN approach is that it requires two deep neural network generators at the training phase, although only one of them is used at the inference phase. The secondary auxiliary generator is needed to enforce the cycle-consistency, but the additional memory requirement and increases of the learnable parameters are the main huddles for cycleGAN training. To address this issue, here we propose a novel cycleGAN architecture using a single switchable generator. In particular, a single generator is implemented using adaptive instance normalization (AdaIN) layers so that the baseline generator converting a low-dose CT image to a routine-dose CT image can be switched to a generator converting high-dose to low-dose by simply changing the AdaIN code. Thanks to the shared baseline network, the additional memory requirement and weight increases are minimized, and the training can be done more stably even with small training data. Experimental results show that the proposed method outperforms the previous cycleGAN approaches while using only about half the parameters.
• Abstract（参考訳）: 近年,高速な計算時間にも拘わらず,その優れた性能により低用量ctのための深層学習手法が広く研究されている。 特に、cycleganは、一致した高用量参照データを必要とすることなく、低用量ct画像品質を改善する強力な教師なし学習スキームとして実証されている。 残念ながら、cycleganアプローチの主な制限の1つは、トレーニングフェーズで2つのディープニューラルネットワークジェネレータが必要であることである。 二次補助発電機はサイクル一貫性を強制するために必要だが、追加のメモリ要件と学習可能なパラメータの増加がサイクルGANトレーニングの主な障害である。 本稿では,スイッチング可能な1つのジェネレータを用いた新しいサイクルGANアーキテクチャを提案する。 特に、1つのジェネレータをadaptive instance normalization(adain)層を用いて実装することにより、低線量ct画像をルーチン線量ct画像に変換するベースラインジェネレータを、adainコードを変更するだけで高線量から低線量に変換するジェネレータに切り替えることができる。 共有ベースラインネットワークにより、追加のメモリ要求と重量増加を最小限に抑えることができ、少ないトレーニングデータでもより安定的にトレーニングを行うことができる。 実験の結果,提案手法は,約半数のパラメータを用いて,従来のサイクルGAN手法よりも優れていた。

関連論文リスト

• Low-Dose CT Image Reconstruction by Fine-Tuning a UNet Pretrained for Gaussian Denoising for the Downstream Task of Image Enhancement [3.7960472831772765]
  Computed Tomography (CT) は医用画像モダリティとして広く用いられているが,低用量CTデータからの再構成は難しい課題である。 本稿では,LDCT画像の再構成を行うための,より複雑な2段階の手法を提案する。 提案手法は,LoDoPaB-CTチャレンジにおける共有トップランキングと,SSIMメトリックに対する第1位を実現する。
  論文  参考訳（メタデータ） (2024-03-06T08:51:09Z)
• DestripeCycleGAN: Stripe Simulation CycleGAN for Unsupervised Infrared Image Destriping [15.797480466799222]
  CycleGANは、教師なし画像復元の先進的なアプローチであることが証明されている。 DestripeCycleGANという単一フレーム赤外線画像デストリップのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-14T11:22:20Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images [62.4428833931443]
  太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。 深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-29T13:29:18Z)
• TED-net: Convolution-free T2T Vision Transformer-based Encoder-decoder Dilation network for Low-dose CT Denoising [5.2227817530931535]
  LDCT復号アルゴリズムのファミリを充実させるために,畳み込みフリーの視覚変換器ベースデコーダディレーションネットワーク(TED-net)を提案する。 AAPM-MayoクリニックLDCTグランドチャレンジデータセットを用いて,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2021-06-08T19:26:55Z)
• Cycle-free CycleGAN using Invertible Generator for Unsupervised Low-Dose CT Denoising [33.79188588182528]
  CycleGANは低線量X線CT(CT)画像に対して高性能で高速なデノナイジングを提供する。 cycleganは2つのジェネレータと2つの識別器を必要とする。 本論文では,単一発生器と識別器から構成されるサイクルフリーのサイクルGANアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2021-04-17T13:23:36Z)
• Guiding GANs: How to control non-conditional pre-trained GANs for conditional image generation [69.10717733870575]
  本稿では,汎用非条件GANを条件GANとして振る舞うための新しい方法を提案する。 提案手法は,非条件GANのジェネレータネットワークに供給される高次元ランダム入力を生成するために,エンコーダネットワークを混合するものである。
  論文  参考訳（メタデータ） (2021-01-04T14:03:32Z)
• Learning Efficient GANs for Image Translation via Differentiable Masks and co-Attention Distillation [130.30465659190773]
  Generative Adversarial Networks (GAN) は画像翻訳において広く利用されているが、その高い計算とストレージコストがモバイルデバイスへの展開を妨げる。 DMADと呼ばれる新しいGAN圧縮手法を提案する。 実験の結果、DMADはCycleGANのMultiply Accumulate Operations (MAC)を13倍、Pix2Pixを4倍削減し、フルモデルに匹敵する性能を維持することができた。
  論文  参考訳（メタデータ） (2020-11-17T02:39:19Z)
• Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of Generative Model [24.024765099719886]
  反復的な再構成は、光子フラックスの低減による雑音の増加を補う最も有望な方法の1つである。 本研究では,低用量CTの反復生成モデルに条件項としてデータ一貫性を統合する。 再構成画像と多様体との間の距離は、再構成中のデータの忠実度とともに最小化される。
  論文  参考訳（メタデータ） (2020-09-27T06:36:39Z)

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。