論文の概要: Advancing the AmbientGAN for learning stochastic object models
- arxiv url: http://arxiv.org/abs/2102.00281v1
- Date: Sat, 30 Jan 2021 18:08:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 15:36:09.829644
- Title: Advancing the AmbientGAN for learning stochastic object models
- Title（参考訳）: 確率的オブジェクトモデル学習のためのAmbientGANの進歩
- Authors: Weimin Zhou, Sayantan Bhadra, Frank J. Brooks, Jason L. Granstedt, Hua
Li, Mark A. Anastasio
- Abstract要約: 対象物の変化は、観測者のパフォーマンスを著しく制限できる変数の重要な源である。
本研究では,3D ProAmGANとStyle-AmbientGAN(StyAmGAN)の2つの高度なアンビエントGANアーキテクチャを提案する。
3D ProAmGANが画像計測から3D SOMを学習し、StyAmGANsが合成物の微細なテクスチャを制御できることを実証した。
- 参考スコア（独自算出の注目度）: 7.445527629361621
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical imaging systems are commonly assessed and optimized by use of
objective-measures of image quality (IQ) that quantify the performance of an
observer at specific tasks. Variation in the objects to-be-imaged is an
important source of variability that can significantly limit observer
performance. This object variability can be described by stochastic object
models (SOMs). In order to establish SOMs that can accurately model realistic
object variability, it is desirable to use experimental data. To achieve this,
an augmented generative adversarial network (GAN) architecture called
AmbientGAN has been developed and investigated. However, AmbientGANs cannot be
immediately trained by use of advanced GAN training methods such as the
progressive growing of GANs (ProGANs). Therefore, the ability of AmbientGANs to
establish realistic object models is limited. To circumvent this, a
progressively-growing AmbientGAN (ProAmGAN) has been proposed. However,
ProAmGANs are designed for generating two-dimensional (2D) images while medical
imaging modalities are commonly employed for imaging three-dimensional (3D)
objects. Moreover, ProAmGANs that employ traditional generator architectures
lack the ability to control specific image features such as fine-scale textures
that are frequently considered when optimizing imaging systems. In this study,
we address these limitations by proposing two advanced AmbientGAN
architectures: 3D ProAmGANs and Style-AmbientGANs (StyAmGANs). Stylized
numerical studies involving magnetic resonance (MR) imaging systems are
conducted. The ability of 3D ProAmGANs to learn 3D SOMs from imaging
measurements and the ability of StyAmGANs to control fine-scale textures of
synthesized objects are demonstrated.
- Abstract（参考訳）: 医療画像システムは、特定のタスクにおけるオブザーバのパフォーマンスを定量化する画像品質の客観的測定(iq)を用いて、一般的に評価および最適化される。
対象物の変化は、観測者のパフォーマンスを著しく制限できる変数の重要な源である。
このオブジェクトの変数は確率的オブジェクトモデル(SOM)によって記述できる。
リアルな物体変動を正確にモデル化できるsomを確立するためには,実験データを用いることが望ましい。
これを実現するために、AmbientGANと呼ばれる拡張生成逆ネットワーク(GAN)アーキテクチャを開発し、検討した。
しかし、AmbientGANは、GAN(ProGAN)の進行的成長のような先進的なGANトレーニング手法を用いることで、すぐには訓練できない。
したがって、AmbientGANが現実的なオブジェクトモデルを確立する能力は限られている。
これを回避するために、徐々に成長するAmbientGAN(ProAmGAN)が提案されている。
しかし、proamganは2次元(2次元)画像を生成するために設計され、医用イメージングモードは3次元オブジェクトのイメージングに一般的に用いられる。
さらに、従来のジェネレータアーキテクチャを用いたプロアンガンは、撮像システムの最適化時にしばしば考慮される微細なテクスチャなどの特定の画像特徴を制御する能力が欠けている。
本研究では,3D ProAmGANとStyle-AmbientGAN(StyAmGAN)という2つの高度なAmbientGANアーキテクチャを提案する。
磁気共鳴(MR)イメージングシステムに関するスティル化数値解析を行った。
画像計測から3D SOMを学習する3D ProAmGANの能力と合成物の微細スケールテクスチャを制御するStyAmGANの能力が実証されている。
関連論文リスト
- Multi-View Photometric Stereo Revisited [100.97116470055273]
多視点測光ステレオ(MVPS)は、画像から被写体を詳細に正確に3D取得する方法として好まれる。
MVPSは異方性や光沢などの他の対象物質と同様に,等方性に対しても有効である。
提案手法は、複数のベンチマークデータセットで広範囲にテストした場合に、最先端の結果を示す。
論文 参考訳（メタデータ） (2022-10-14T09:46:15Z) - Learning stochastic object models from medical imaging measurements by
use of advanced AmbientGANs [7.987904193401004]
GAN(Generative Adversarial Network)は、そのようなタスクの可能性を秘めている。
GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、そのようなタスクの可能性を秘めている。
本研究では,現代進行的・多分解能的な訓練手法に適した改良型アンビエントGANトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2021-06-27T21:46:23Z) - IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。
我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。
IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
論文 参考訳（メタデータ） (2021-04-13T02:00:24Z) - Amodal 3D Reconstruction for Robotic Manipulation via Stability and
Connectivity [3.359622001455893]
学習に基づく3Dオブジェクト再構成により、3Dオブジェクトモデルの単一または少数ショット推定が可能となる。
既存の3D再構成技術は、通常、シャムファー距離またはボクセルIOUによって測定される視覚的再構成忠実度を最適化する。
本稿では,オブジェクト形状よりも先に安定性を導入するアモーダル3D再構成システムARMと,接続前の接続,マルチチャネル入力表現を提案する。
論文 参考訳（メタデータ） (2020-09-28T08:52:54Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳（メタデータ） (2020-08-05T02:33:04Z) - Towards Realistic 3D Embedding via View Alignment [53.89445873577063]
本稿では,3次元モデルを2次元背景画像に現実的に,かつ自動的に埋め込み,新たな画像を構成する,革新的なビューアライメントGAN(VA-GAN)を提案する。
VA-GANはテクスチャジェネレータとディファレンシャルディスクリミネーターで構成され、相互接続され、エンドツーエンドのトレーニングが可能である。
論文 参考訳（メタデータ） (2020-07-14T14:45:00Z) - Learning stochastic object models from medical imaging measurements
using Progressively-Growing AmbientGANs [14.501812971529137]
オブザーバのパフォーマンスを著しく制限できる変数の重要な源は、イメージすべきオブジェクトのバリエーションである。
良好なキャラクタライズドイメージングシステムを用いて得られた実験画像計測からSOMを確立することが望ましい。
GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、このタスクに大きな可能性を秘めている。
論文 参考訳（メタデータ） (2020-05-29T18:45:37Z) - Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。
この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。
生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
論文 参考訳（メタデータ） (2020-03-02T17:49:32Z) - Using Simulated Data to Generate Images of Climate Change [108.43373369198765]
シミュレーションされた3次元環境からの画像を用いて,MUNITアーキテクチャによるドメイン適応タスクを改善する可能性について検討する。
気候変動の潜在的な影響に対する認識を高めるために、得られた画像を利用することを目指しています。
論文 参考訳（メタデータ） (2020-01-26T22:19:13Z) - Progressively-Growing AmbientGANs For Learning Stochastic Object Models
From Imaging Measurements [14.501812971529137]
医療画像システムの客観的な最適化には、測定データ中のランダム性のすべての源をフルに評価する必要がある。
本稿では,オブジェクトのクラスにおける変数を記述するオブジェクトモデル(SOM)の確立を提案する。
医用イメージングシステムは、物体特性のノイズや間接的な表現を示す画像計測を記録しているため、画像化対象のモデルを構築するために直接GANを適用することはできない。
論文 参考訳（メタデータ） (2020-01-26T21:33:14Z)
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。