Fugu-MT 論文翻訳(概要): Generative Tomography Reconstruction

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

ReMatching Dynamic Reconstruction Flow [55.272357926111454]
本稿では,動的再構成モデルに変形前処理を組み込むことにより,一般化品質の向上を目的としたReMatchingフレームワークを提案する。このフレームワークは高度に適応可能であり、様々な動的表現に適用できる。合成シーンと実世界のダイナミックシーンの両方を含む一般的なベンチマークの評価は、現在の最先端モデルの再構築精度を明らかに向上させたことを示す。
論文参考訳（メタデータ） (2024-11-01T16:09:33Z)
Rethinking Pruning Large Language Models: Benefits and Pitfalls of Reconstruction Error Minimization [18.24882084542254]
本稿では,この誤差を90%以上削減する再構成手法を提案する。キャリブレーションデータを自己生成する戦略は、再構築と一般化のトレードオフを軽減することができる。
論文参考訳（メタデータ） (2024-06-21T05:13:34Z)
Simultaneous Map and Object Reconstruction [66.66729715211642]
本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。我々は、最近の新しいビュー合成法から着想を得て、大域的な最適化として再構築問題を提起する。連続動作の慎重なモデリングにより, 回転するLiDARセンサの回転シャッター効果を補うことができる。
論文参考訳（メタデータ） (2024-06-19T23:53:31Z)
Double-Flow GAN model for the reconstruction of perceived faces from brain activities [13.707575848841405]
そこで我々はDouble-Flow GANと呼ばれる新しい再構築フレームワークを提案する。また,画像から抽出した特徴を条件として,fMRIから条件付き再構成モデルを事前学習するための事前学習プロセスも設計した。その結果, 提案手法は, 複数の顔特性を正確に再構成し, 過去の再現モデルより優れ, 最先端の復元能力を示すことがわかった。
論文参考訳（メタデータ） (2023-12-12T18:07:57Z)
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)
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)
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。