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/2105.02282v2
Date: Fri, 24 Mar 2023 19:39:50 GMT
ステータス: 処理完了
システム内更新日: 2023-03-29 05:06:23.850096
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: 変形可能な画像登録問題に注意機構を導入する。提案手法は,GPGPUデバイス上で効率的にトレーニング可能なTransformerフレームワークであるAiRをベースとしている。この方法は教師なしの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テストする。
参考スコア（独自算出の注目度）: 7.443843354775884
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image registration is a crucial task in signal processing, but it often encounters issues with stability and efficiency. Non-learning registration approaches rely on optimizing similarity metrics between fixed and moving images, which can be expensive in terms of time and space complexity. This problem can be exacerbated when the images are large or there are significant deformations between them. Recently, deep learning, specifically convolutional neural network (CNN)-based methods, have been explored as an effective solution to the weaknesses of non-learning approaches. To further advance learning approaches in image registration, we introduce an attention mechanism in the deformable image registration problem. Our proposed approach is based on a Transformer framework called AiR, which can be efficiently trained on GPGPU devices. We treat the image registration problem as a language translation task and use the Transformer to learn the deformation field. The method learns an unsupervised generated deformation map and is tested on two benchmark datasets. In summary, our approach shows promising effectiveness in addressing stability and efficiency issues in image registration tasks. The source code of AiR is available on Github.
Abstract（参考訳）: 画像登録は信号処理において重要なタスクであるが、しばしば安定性と効率の面で問題に遭遇する。非学習登録アプローチは、時間と空間の複雑さの点で高価な固定画像と移動画像の類似度を最適化することに依存する。この問題は、画像が大きく、あるいはそれらの間に大きな変形がある場合、悪化する可能性がある。近年,ディープラーニング,特に畳み込みニューラルネットワーク(CNN)に基づく手法が,非学習アプローチの弱点に対する効果的な解決策として研究されている。画像登録における学習手法をさらに進めるために,変形可能な画像登録問題における注意機構を導入する。提案手法は,GPGPUデバイス上で効率的にトレーニング可能なTransformerフレームワークであるAiRに基づいている。画像登録問題を言語翻訳タスクとして扱い,変形場を学習するためにトランスを使用する。教師なし生成した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テストする。要約すると,本手法は画像登録タスクにおける安定性と効率性の問題に対処する上で有望な効果を示す。 AiRのソースコードはGithubで公開されている。

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。