論文の概要: Generative Tomography Reconstruction
- arxiv url: http://arxiv.org/abs/2010.14933v2
- Date: Wed, 25 Nov 2020 22:05:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 18:46:40.838401
- Title: Generative Tomography Reconstruction
- Title(参考訳): ジェネレーティブ・トモグラフィーの再構成
- Authors: Matteo Ronchetti, Davide Bacciu
- Abstract要約: そこで本研究では,ノイズの高い音像を復調にマッピングするトモグラフィ再構成のためのエンドツーエンドの微分可能なアーキテクチャを提案する。
また,ノイズに富む音像から現実的な再構成をサンプリングできる生成モデルを提案する。
- 参考スコア(独自算出の注目度): 11.460692362624533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an end-to-end differentiable architecture for tomography
reconstruction that directly maps a noisy sinogram into a denoised
reconstruction. Compared to existing approaches our end-to-end architecture
produces more accurate reconstructions while using less parameters and time. We
also propose a generative model that, given a noisy sinogram, can sample
realistic reconstructions. This generative model can be used as prior inside an
iterative process that, by taking into consideration the physical model, can
reduce artifacts and errors in the reconstructions.
- Abstract(参考訳): そこで本研究では,ノイズの高い音像を直接復調にマッピングする,トモグラフィ再構成のためのエンドツーエンドの微分可能なアーキテクチャを提案する。
既存のアプローチと比較して、エンドツーエンドアーキテクチャは、パラメータと時間が少なく、より正確なリコンストラクションを生成します。
また,ノイズに富む音像から現実的な再構成をサンプリングできる生成モデルを提案する。
この生成モデルは、物理モデルを考慮して、再構築のアーティファクトとエラーを低減できる反復プロセスの中で、事前として使用できる。
関連論文リスト
- ReconU-Net: a direct PET image reconstruction using U-Net architecture
with back projection-induced skip connection [1.7404865362620803]
本研究では, 深層学習に基づく直接ポジトロン放射トモグラフィ(PET)画像再構成のためのバックプロジェクション駆動型U-Net型アーキテクチャReconU-Netを提案する。
提案したReconU-Netアーキテクチャはバックプロジェクション操作の物理モデルをスキップ接続に一意に統合する。
提案したReconU-Net法は,他の深層学習に基づく直接再構成法と比較して,より正確な構造で再構成画像を生成する。
論文 参考訳(メタデータ) (2023-12-05T04:51:42Z) - Latent Diffusion Prior Enhanced Deep Unfolding for Spectral Image
Reconstruction [19.1301471218022]
スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。
我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
論文 参考訳(メタデータ) (2023-11-24T04:55:20Z) - Model-corrected learned primal-dual models for fast limited-view
photoacoustic tomography [2.631277214890658]
学習された反復的再構成は、モデル摂動に対する経験的堅牢性で断層画像の加速を約束する。
高速近似モデルを用いることで計算可能性を得ることができるが、モデル誤差を補う必要が生じる。
学習画像再構成におけるモデル修正の方法論的・理論的基礎を,学習された原始双対の枠組みに埋め込むことにより前進させる。
論文 参考訳(メタデータ) (2023-04-04T17:13:22Z) - Making Reconstruction-based Method Great Again for Video Anomaly
Detection [64.19326819088563]
ビデオの異常検出は重要な問題だが、難しい問題だ。
既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。
連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
論文 参考訳(メタデータ) (2023-01-28T01:57:57Z) - DiffusER: Discrete Diffusion via Edit-based Reconstruction [88.62707047517914]
DiffusERは、拡散モデルに基づくテキストの編集ベースの生成モデルである。
機械翻訳、要約、スタイル転送にまたがるいくつかのタスクにおいて、自動回帰モデルと競合する可能性がある。
また、標準的な自己回帰モデルに適さないような、他の種類の世代も実行することができる。
論文 参考訳(メタデータ) (2022-10-30T16:55:23Z) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳(メタデータ) (2022-06-10T08:32:57Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳(メタデータ) (2022-03-08T02:25:38Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-01-23T21:58:19Z) - Structured Outdoor Architecture Reconstruction by Exploration and
Classification [34.066110654930476]
本研究では,空中画像から構造化された構造復元のための探索・分類フレームワークを提案する。
我々は,基礎構造に基づいて分類ラベルを生成しながら,構築モデルの正しさを分類することを学ぶ。
2つのベースラインと2つの最先端再構築アルゴリズムによる初期再構成手法の評価を行った。
論文 参考訳(メタデータ) (2021-08-18T06:28:26Z) - Temporally-Coherent Surface Reconstruction via Metric-Consistent Atlases [131.50372468579067]
再建された表面をニューラルネットワークを用いてアトラスとして表現する。
本手法は,教師なし対応の精度と表面再構成の精度において,その性能を超える結果が得られることを実証的に示す。
論文 参考訳(メタデータ) (2021-04-14T16:21:22Z) - Limited View Tomographic Reconstruction Using a Deep Recurrent Framework
with Residual Dense Spatial-Channel Attention Network and Sinogram
Consistency [25.16002539710169]
本稿では,同じブロックを複数回積み重ねる新しい繰り返し再構成フレームワークを提案する。
本研究では, 再帰的なブロックの中間出力のシングラムと一致するように, リカレント・フレームワークにインターリーブされたシングラム整合層を構築した。
本アルゴリズムは, 狭角化と狭角化の両面において, 既存の最先端のニューラル手法よりも一貫した, 顕著な改善を実現している。
論文 参考訳(メタデータ) (2020-09-03T16:39:48Z)
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。