論文の概要: Cycle-free CycleGAN using Invertible Generator for Unsupervised Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2104.08538v1
• Date: Sat, 17 Apr 2021 13:23:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 10:52:44.542468
• Title: Cycle-free CycleGAN using Invertible Generator for Unsupervised Low-Dose CT Denoising
• Title（参考訳）: 非教師なし低線量ct用インバータブルジェネレータを用いたサイクルフリーサイクガン
• Authors: Taesung Kwon, Jong Chul Ye
• Abstract要約: CycleGANは低線量X線CT(CT)画像に対して高性能で高速なデノナイジングを提供する。 cycleganは2つのジェネレータと2つの識別器を必要とする。 本論文では,単一発生器と識別器から構成されるサイクルフリーのサイクルGANアーキテクチャについて述べる。
• 参考スコア（独自算出の注目度）: 33.79188588182528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, CycleGAN was shown to provide high-performance, ultra-fast denoising for low-dose X-ray computed tomography (CT) without the need for a paired training dataset. Although this was possible thanks to cycle consistency, CycleGAN requires two generators and two discriminators to enforce cycle consistency, demanding significant GPU resources and technical skills for training. A recent proposal of tunable CycleGAN with Adaptive Instance Normalization (AdaIN) alleviates the problem in part by using a single generator. However, two discriminators and an additional AdaIN code generator are still required for training. To solve this problem, here we present a novel cycle-free Cycle-GAN architecture, which consists of a single generator and a discriminator but still guarantees cycle consistency. The main innovation comes from the observation that the use of an invertible generator automatically fulfills the cycle consistency condition and eliminates the additional discriminator in the CycleGAN formulation. To make the invertible generator more effective, our network is implemented in the wavelet residual domain. Extensive experiments using various levels of low-dose CT images confirm that our method can significantly improve denoising performance using only 10% of learnable parameters and faster training time compared to the conventional CycleGAN.
• Abstract（参考訳）: 近年、cycleganは、ペアトレーニングデータセットを必要とせずに、低線量x線ct(ct)の高性能、超高速デノイジンを提供することが示された。 これはサイクル一貫性のおかげで可能だったが、cycleganは2つのジェネレータと2つの識別器を必要とし、サイクル一貫性を強制し、重要なgpuリソースとトレーニングのための技術的スキルを要求する。 Adaptive Instance Normalization (AdaIN) によるチューニング可能な CycleGAN の提案は,ひとつのジェネレータを使用することで問題を緩和している。 しかし、トレーニングには2つの識別器と追加のAdaINコードジェネレータが必要である。 そこで本研究では,単一生成器と判別器で構成されるが,サイクル一貫性を保証できる新しいサイクルフリーサイクルganアーキテクチャを提案する。 主な革新は、可逆生成器の使用が自動的にサイクル整合条件を満たし、CycleGANの定式化において追加の判別器を除去するという観察から生じる。 可逆発生器をより効果的にするために,ウェーブレット残差領域にネットワークを実装した。 各種低線量CT画像を用いた広範囲な実験により,従来のCycleGANと比較して学習可能なパラメータの10%と学習時間を短縮し,難聴化性能を大幅に向上できることを確認した。

関連論文リスト

• DestripeCycleGAN: Stripe Simulation CycleGAN for Unsupervised Infrared Image Destriping [15.797480466799222]
  CycleGANは、教師なし画像復元の先進的なアプローチであることが証明されている。 DestripeCycleGANという単一フレーム赤外線画像デストリップのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-14T11:22:20Z)
• Revisiting Discriminator in GAN Compression: A Generator-discriminator Cooperative Compression Scheme [65.5405625485559]
  GAN圧縮は、リソース制約のあるエッジデバイスにGANをデプロイする際の計算オーバーヘッドとメモリ使用量を大幅に削減することを目的としている。 本稿では,GAN圧縮における識別器の役割を再考し,GAN圧縮のための新しいジェネレータ-識別器協調圧縮スキームであるGCCを設計する。
  論文  参考訳（メタデータ） (2021-10-27T13:54:55Z)
• A Two-stage Complex Network using Cycle-consistent Generative Adversarial Networks for Speech Enhancement [7.676549056780494]
  本稿では,CycleGANをベースとした大規模化ネットワークと複雑なスペクトル精錬ネットワークを組み合わせた,新しい2段階復調システムを提案する。 2つの公開データセットの実験的結果は、提案手法が従来型のCycleGANや他の最先端SEシステムに一貫して勝っていることを示している。
  論文  参考訳（メタデータ） (2021-09-05T07:09:10Z)
• Total Generate: Cycle in Cycle Generative Adversarial Networks for Generating Human Faces, Hands, Bodies, and Natural Scenes [76.83075646527521]
  C2GAN(Cycle in Cycle Generative Adversarial Network)は、人間の顔、手、体、自然のシーンのための自転車。 提案するC2GANは,入力画像データとガイダンスデータの相互利用を対話的に探索するクロスモーダルモデルである。
  論文  参考訳（メタデータ） (2021-06-21T06:20:16Z)
• Orthogonal Features Based EEG Signals Denoising Using Fractional and Compressed One-Dimensional CNN AutoEncoder [3.8580784887142774]
  本稿では脳波(EEG)信号の分数的1次元畳み込みニューラルネットワーク(CNN)オートエンコーダを提案する。 脳波信号は、主に筋肉アーチファクト(MA)によって、記録過程中にしばしばノイズによって汚染される。
  論文  参考訳（メタデータ） (2021-04-16T13:58:05Z)
• Learning Efficient GANs for Image Translation via Differentiable Masks and co-Attention Distillation [130.30465659190773]
  Generative Adversarial Networks (GAN) は画像翻訳において広く利用されているが、その高い計算とストレージコストがモバイルデバイスへの展開を妨げる。 DMADと呼ばれる新しいGAN圧縮手法を提案する。 実験の結果、DMADはCycleGANのMultiply Accumulate Operations (MAC)を13倍、Pix2Pixを4倍削減し、フルモデルに匹敵する性能を維持することができた。
  論文  参考訳（メタデータ） (2020-11-17T02:39:19Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)
• AdaIN-Switchable CycleGAN for Efficient Unsupervised Low-Dose CT Denoising [46.0231398013639]
  スイッチング可能な1つのジェネレータを用いた新しいサイクルGANアーキテクチャを提案する。 提案手法は,約半数のパラメータを用いて,前回のCycleGAN手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-08-13T08:30:23Z)

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。