論文の概要: Multi-Channel Potts-Based Reconstruction for Multi-Spectral Computed Tomography

• arxiv url: http://arxiv.org/abs/2009.05814v2
• Date: Wed, 10 Mar 2021 09:31:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 08:23:53.025898
• Title: Multi-Channel Potts-Based Reconstruction for Multi-Spectral Computed Tomography
• Title（参考訳）: マルチスペクトルCTにおけるマルチチャネルポッツを用いた再構成
• Authors: Lukas Kiefer, Stefania Petra, Martin Storath, Andreas Weinmann
• Abstract要約: 我々は,光子計数とエネルギー識別検出器による計測から,マルチチャネル画像の再構成を検討する。 本研究の目的は,マルチスペクトルCT画像のチャネル間に存在することが知られている強い構造相関を利用することである。
• 参考スコア（独自算出の注目度）: 11.176946892769928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider reconstructing multi-channel images from measurements performed by photon-counting and energy-discriminating detectors in the setting of multi-spectral X-ray computed tomography (CT). Our aim is to exploit the strong structural correlation that is known to exist between the channels of multi-spectral CT images. To that end, we adopt the multi-channel Potts prior to jointly reconstruct all channels. This prior produces piecewise constant solutions with strongly correlated channels. In particular, edges are enforced to have the same spatial position across channels which is a benefit over TV-based methods. We consider the Potts prior in two frameworks: (a) in the context of a variational Potts model, and (b) in a Potts-superiorization approach that perturbs the iterates of a basic iterative least squares solver. We identify an alternating direction method of multipliers (ADMM) approach as well as a Potts-superiorized conjugate gradient method as particularly suitable. In numerical experiments, we compare the Potts prior based approaches to existing TV-type approaches on realistically simulated multi-spectral CT data and obtain improved reconstruction for compound solid bodies.
• Abstract（参考訳）: マルチスペクトルX線CT(Multi-spectral X-ray Computed Tomography)の設定において、光子計数とエネルギー識別検出器による計測からマルチチャネル画像の再構成を検討する。 本研究の目的は,マルチスペクトルCT画像のチャネル間に存在することが知られている強い構造相関を利用することである。 そこで我々は,全チャネルを共同で再構築する前に,マルチチャネルポットを採用する。 この前者は、強い相関チャネルを持つ断片的定数解を生成する。 特にエッジは、テレビベースの方法よりも有利なチャンネル間で同じ空間的位置を持つように強制される。 Pottsは2つのフレームワークで事前に検討しています。 (a)変分ポッツモデルの文脈における、及び (b)基本的な反復的最小二乗解法のイテレートを摂動するポッツ重ね合わせアプローチ。 乗算器 (ADMM) アプローチの交互方向法と Potts-superiorized conjugate gradient method を特に好適に同定する。 数値実験では,Pottsの従来手法と既存のテレビ方式のマルチスペクトルCTデータとの比較を行い,複合固体の再現性を向上した。

関連論文リスト

• MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
  本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。 実験により,提案手法が現在の先行手法を超越していることが実証された。
  論文  参考訳（メタデータ） (2024-01-19T04:40:20Z)
• Multimodal Transformer Using Cross-Channel attention for Object Detection in Remote Sensing Images [1.662438436885552]
  マルチモーダル融合は、複数のモーダルからのデータを融合することで精度を高めることが決定されている。 早期に異なるチャネル間の関係をマッピングするための新しいマルチモーダル融合戦略を提案する。 本手法は,中期・後期の手法とは対照的に,早期の融合に対処することにより,既存の手法と比較して,競争力や性能に優れる。
  論文  参考訳（メタデータ） (2023-10-21T00:56:11Z)
• Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
  我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。 我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。 我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
  論文  参考訳（メタデータ） (2022-03-29T07:56:55Z)
• LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution Homography Estimation [52.63874513999119]
  クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。 既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。 本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-08T02:51:45Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Fast and High-Quality Blind Multi-Spectral Image Pansharpening [48.68143888901669]
  ブラインドパンスハーピングへの迅速なアプローチを提案し、最新の画像再構築品質を実現します。 速い盲目のpansharpeningを達成するために、私達はぼかしのカーネルおよびHRMSのイメージの解決を分離します。 アルゴリズムは計算時間と再構成品質の両面で最先端のモデルベースを上回っている。
  論文  参考訳（メタデータ） (2021-03-17T23:12:14Z)
• Sparse-View Spectral CT Reconstruction Using Deep Learning [0.283239609744735]
  マルチチャネル入力と出力を持つU-Net畳み込みニューラルネットワークアーキテクチャを用いて、スパースビュースペクトルCTデータを高速に再構成する手法を提案する。 我々の手法は実行時に高速であり、内部の畳み込みはチャネル間で共有されるため、計算負荷は第一層と最後の層でのみ増加する。
  論文  参考訳（メタデータ） (2020-11-30T14:36:23Z)
• Multi-Scale Deep Compressive Imaging [9.796763590985183]
  深層学習に基づく圧縮画像 (DCI) は, 従来の圧縮画像よりも再現性が高く, 実行時間も速い。 マルチスケールはシングルスケールよりも優れた性能を示しているが、DCIの研究はシングルスケールサンプリングに限られている。 マルチスケールで画像の分解、サンプリング、再構成を共同で学習するマルチスケール深部圧縮撮像フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-03T12:01:47Z)
• MuCAN: Multi-Correspondence Aggregation Network for Video Super-Resolution [63.02785017714131]
  ビデオ超解像(VSR)は、複数の低解像度フレームを使用して、各フレームに対して高解像度の予測を生成することを目的としている。 フレーム間およびフレーム内は、時間的および空間的情報を利用するための鍵となるソースである。 VSRのための効果的なマルチ対応アグリゲーションネットワーク(MuCAN)を構築した。
  論文  参考訳（メタデータ） (2020-07-23T05:41:27Z)

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。