論文の概要: UVTomo-GAN: An adversarial learning based approach for unknown view X-ray tomographic reconstruction

• arxiv url: http://arxiv.org/abs/2102.04590v1
• Date: Tue, 9 Feb 2021 00:51:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 15:08:01.557042
• Title: UVTomo-GAN: An adversarial learning based approach for unknown view X-ray tomographic reconstruction
• Title（参考訳）: UVTomo-GAN:未知視点X線トモグラフィー再構成のための逆学習に基づくアプローチ
• Authors: Mona Zehni, Zhizhen Zhao
• Abstract要約: トモグラフィー再構成は、異なる角度から投影された未知の画像を復元する。 ここでは、(1)射影角が未知、(2)未知の確率分布から引き出される、というより難しい設定に取り組む。 このセットアップでは、教師なしの対角学習手法を用いて画像と投影角分布を復元することを目的としている。
• 参考スコア（独自算出の注目度）: 27.661868972910742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tomographic reconstruction recovers an unknown image given its projections from different angles. State-of-the-art methods addressing this problem assume the angles associated with the projections are known a-priori. Given this knowledge, the reconstruction process is straightforward as it can be formulated as a convex problem. Here, we tackle a more challenging setting: 1) the projection angles are unknown, 2) they are drawn from an unknown probability distribution. In this set-up our goal is to recover the image and the projection angle distribution using an unsupervised adversarial learning approach. For this purpose, we formulate the problem as a distribution matching between the real projection lines and the generated ones from the estimated image and projection distribution. This is then solved by reaching the equilibrium in a min-max game between a generator and a discriminator. Our novel contribution is to recover the unknown projection distribution and the image simultaneously using adversarial learning. To accommodate this, we use Gumbel-softmax approximation of samples from categorical distribution to approximate the generator's loss as a function of the unknown image and the projection distribution. Our approach can be generalized to different inverse problems. Our simulation results reveal the ability of our method in successfully recovering the image and the projection distribution in various settings.
• Abstract（参考訳）: トモグラフィー再構成は、異なる角度から投影された未知の画像を復元する。 この問題に対処する最先端の手法は、射影に関連する角度をa-prioriと仮定する。 この知識から、再構成プロセスは凸問題として定式化できるため、簡単である。 ここでは、(1)射影角が未知、(2)未知の確率分布から引き出される、というより難しい設定に取り組む。 この設定では,教師なしの逆学習手法を用いて画像と投影角分布を復元することを目的としている。 そこで本研究では,実射影線と生成線との分布マッチングとして,推定画像と投影分布から問題を定式化する。 これは発生器と判別器の間のmin-maxゲームで平衡に達することで解決される。 我々の新しい貢献は、未知の投影分布と画像の同時復元である。 これに対応するために,カテゴリ分布からのサンプルのグンベル・ソフトマックス近似を用いて,未知画像と投影分布の関数として生成者の損失を近似する。 我々のアプローチは異なる逆問題に一般化できる。 シミュレーションの結果,様々な場面において,画像の復元と投影分布を良好に行うことができた。

関連論文リスト

• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• Probabilistic Contrastive Learning Recovers the Correct Aleatoric Uncertainty of Ambiguous Inputs [21.38099300190815]
  対照的に訓練されたエンコーダは、最近データ生成プロセスを反転させることが証明されている。 我々は、共通InfoNCEの目的とエンコーダを拡張して、ポイントの代わりに潜在分布を予測する。
  論文  参考訳（メタデータ） (2023-02-06T15:30:08Z)
• HandFlow: Quantifying View-Dependent 3D Ambiguity in Two-Hand Reconstruction with Normalizing Flow [73.7895717883622]
  条件付き正規化フローフレームワークにおける可塑性再構成の分布を明示的にモデル化する。 この課題に対して,明示的な曖昧さモデリングが適していることを示す。
  論文  参考訳（メタデータ） (2022-10-04T15:42:22Z)
• Self-Supervised Learning of Image Scale and Orientation [35.94215211409985]
  本研究では,興味のある画像領域に対して特徴的ポーズ,すなわちスケールと向きを割り当てる学習の課題について検討する。 モデルが直接学習する明示的なポーズアノテーションを持つ画像領域の大規模な集合を得ることは困難である。 ヒストグラムアライメント技術を用いた自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-15T02:43:39Z)
• Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
  本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。 低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。 既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T12:45:08Z)
• An Adversarial Learning Based Approach for Unknown View Tomographic Reconstruction [27.661868972910742]
  しばしば、射影線に関連する射影角が予め知られていると仮定される。 しかし、特定の状況下では、これらの角度は概して知られているか、完全には分かっていない。 画像と投影角分布を復元する逆学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-23T00:28:47Z)
• Scene Uncertainty and the Wellington Posterior of Deterministic Image Classifiers [68.9065881270224]
  Wellington Posteriorは、同じシーンで生成された可能性のあるデータに応答して得られるであろう結果の分布である。 We we explore the use of data augmentation, dropout, ensembling, single-view reconstruction and model linearization to compute a Wellington Posterior。 他にも、生成逆数ネットワーク、ニューラルレイディアンスフィールド、条件付き事前ネットワークなどの条件付き生成モデルの使用がある。
  論文  参考訳（メタデータ） (2021-06-25T20:10:00Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Unsupervised Sparse-view Backprojection via Convolutional and Spatial Transformer Networks [8.564644163856318]
  本研究では,非教師付きスパースビューバックプロジェクションアルゴリズムを導入する。 提案アルゴリズムはプロジェクション角が非常に粗い場合にフィルタバックプロジェクションを著しく上回る。 本手法は医用画像および他の画像モダリティに実用的応用がある。
  論文  参考訳（メタデータ） (2020-06-01T05:02:53Z)

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。