Fugu-MT 論文翻訳(概要): Attention for Image Registration (AiR): an unsupervised Transformer approach

論文の概要: Attention for Image Registration (AiR): an unsupervised Transformer approach

arxiv url: http://arxiv.org/abs/2105.02282v1
Date: Wed, 5 May 2021 18:49:32 GMT
ステータス: 処理完了
システム内更新日: 2021-05-07 13:39:41.539464
Title: Attention for Image Registration (AiR): an unsupervised Transformer approach
Title（参考訳）: 画像登録のための注意(air):教師なし変圧器アプローチ
Authors: Zihao Wang, Herv\'e Delingette
Abstract要約: 非学習登録アプローチは、修正と移動画像間の類似度メトリクスの最適化に依存している。深層学習、あるいは正確に言えば、畳み込みニューラルネットワーク(CNN)に基づく画像登録法は、研究コミュニティで広く研究されている。本稿では,変形性画像登録問題における注意メカニズムの導入方法を提案する。
参考スコア（独自算出の注目度）: 11.4279258166883
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image registration as an important basis in signal processing task often encounter the problem of stability and efficiency. Non-learning registration approaches rely on the optimization of the similarity metrics between the fix and moving images. Yet, those approaches are usually costly in both time and space complexity. The problem can be worse when the size of the image is large or the deformations between the images are severe. Recently, deep learning, or precisely saying, the convolutional neural network (CNN) based image registration methods have been widely investigated in the research community and show promising effectiveness to overcome the weakness of non-learning based methods. To explore the advanced learning approaches in image registration problem for solving practical issues, we present in this paper a method of introducing attention mechanism in deformable image registration problem. The proposed approach is based on learning the deformation field with a Transformer framework (AiR) that does not rely on the CNN but can be efficiently trained on GPGPU devices also. In a more vivid interpretation: we treat the image registration problem as the same as a language translation task and introducing a Transformer to tackle the problem. Our method learns an unsupervised generated deformation map and is tested on two benchmark datasets. The source code of the AiR will be released at Gitlab.
Abstract（参考訳）: 信号処理タスクにおける重要な基盤としてのイメージ登録は、しばしば安定性と効率の問題がある。非学習登録アプローチは、修正と移動画像間の類似度メトリクスの最適化に依存する。しかし、これらのアプローチは通常、時間と空間の複雑さの両方においてコストがかかる。画像のサイズが大きくなるか、画像間の変形が激しい場合、問題はさらに悪化する可能性がある。近年,畳み込みニューラルネットワーク(convolutional neural network, cnn)に基づく画像登録手法が研究コミュニティで広く研究され,非学習型手法の弱さを克服する有望な効果を示している。本稿では, 画像登録問題における高度な学習手法を探るため, 変形可能な画像登録問題において, 注意機構を導入する手法を提案する。提案手法は,CNNに依存しないトランスフォーマーフレームワーク(AiR)を用いて変形場を学習し,GPGPUデバイス上で効率よくトレーニングすることができる。より鮮明な解釈で、我々は画像登録問題を言語翻訳タスクと同じものとして扱い、問題に取り組むためにトランスフォーマーを導入する。提案手法は教師なし変形マップを学習し、2つのベンチマークデータセットで検証する。 airのソースコードはgitlabでリリースされる予定である。

関連論文リスト

RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文参考訳（メタデータ） (2024-05-30T14:49:54Z)
Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文参考訳（メタデータ） (2023-10-11T12:46:11Z)
Unsupervised Echocardiography Registration through Patch-based MLPs and Transformers [6.330832343516528]
この作業では、トランスフォーマーとパッチを使用した3つのイメージ登録用のパッチベースのフレームワークを導入している。我々は、人気のあるCNN登録モデルよりも同等で、さらに優れた登録性能を示します。
論文参考訳（メタデータ） (2022-11-21T17:59:04Z)
Non-iterative Coarse-to-fine Registration based on Single-pass Deep Cumulative Learning [11.795108660250843]
変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。 NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
論文参考訳（メタデータ） (2022-06-25T08:34:59Z)
A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成されるその結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
論文参考訳（メタデータ） (2021-10-20T14:23:24Z)
CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint Registration and Structure Learning [73.03885837923599]
我々は,新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。 CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。イギリスバイオバンクの心臓磁気共鳴画像データを用いた実験により、CAR-Netは最先端の教師なし登録法よりも高い登録精度とスムーズな変形場が得られることが示された。
論文参考訳（メタデータ） (2021-06-11T23:25:49Z)
A low-rank representation for unsupervised registration of medical images [10.499611180329804]
本稿では,低ランク表現,すなわちRegnet-LRRに基づく新しい手法を提案する。低ランク表現は、モデルの能力と堅牢性を高め、ノイズの多いデータ登録シナリオにおいて大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2021-05-20T07:04:10Z)
Deep Convolutional Neural Network for Non-rigid Image Registration [0.0]
本稿では、深層ニューラルネットワーク(dnn)と、より具体的には、深層畳み込みニューラルネットワーク(cnn)の非剛性画像登録を効率的に行う能力について検討する。実験の結果、CNNは非剛体画像の効率的な登録に利用でき、従来のDiffomorphic Demons や Pyramiding に比べて計算時間もかなり少ないことがわかった。
論文参考訳（メタデータ） (2021-04-24T23:24:29Z)
Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
論文参考訳（メタデータ） (2020-07-13T04:27:25Z)
Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文参考訳（メタデータ） (2020-04-30T03:23:45Z)
Fine-grained Image-to-Image Transformation towards Visual Recognition [102.51124181873101]
我々は,入力画像の同一性を保った画像を生成するために,微細なカテゴリで画像を変換することを目的としている。我々は、画像のアイデンティティと非関連要因をアンハングルするために、生成的敵ネットワークに基づくモデルを採用する。 CompCarsとMulti-PIEデータセットの実験では、我々のモデルが生成した画像のアイデンティティを、最先端の画像-画像変換モデルよりもはるかによく保存していることが示された。
論文参考訳（メタデータ） (2020-01-12T05:26:47Z)

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。