論文の概要: A Mixed-Supervision Multilevel GAN Framework for Image Quality Enhancement

• arxiv url: http://arxiv.org/abs/2106.15575v1
• Date: Tue, 29 Jun 2021 17:10:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 17:36:24.496646
• Title: A Mixed-Supervision Multilevel GAN Framework for Image Quality Enhancement
• Title（参考訳）: 画像品質向上のための混合スーパービジョン多レベルGANフレームワーク
• Authors: Uddeshya Upadhyay, Suyash Awate
• Abstract要約: 本稿では,複数品質のトレーニングデータを活用できるGAN(Generative Adversarial Network)を提案する。 I)超解像の病理像と,(II)超解像と外科的煙除去を組み合わせた腹腔鏡像を併用した腹腔鏡下手術を施行した。 臨床および臨床前の大規模データセットの結果は,術式に対する混合スーパービジョンGANの利点を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks for image quality enhancement typically need large quantities of highly-curated training data comprising pairs of low-quality images and their corresponding high-quality images. While high-quality image acquisition is typically expensive and time-consuming, medium-quality images are faster to acquire, at lower equipment costs, and available in larger quantities. Thus, we propose a novel generative adversarial network (GAN) that can leverage training data at multiple levels of quality (e.g., high and medium quality) to improve performance while limiting costs of data curation. We apply our mixed-supervision GAN to (i) super-resolve histopathology images and (ii) enhance laparoscopy images by combining super-resolution and surgical smoke removal. Results on large clinical and pre-clinical datasets show the benefits of our mixed-supervision GAN over the state of the art.
• Abstract（参考訳）: 画像品質向上のためのディープニューラルネットワークは、通常、低品質の画像とそれに対応する高品質の画像からなる大量の高度に計算されたトレーニングデータを必要とする。 高品質の画像取得は一般的に高価で時間を要するが、中質の画像は入手が早く、設備コストが低く、大量で利用可能である。 そこで本稿では,複数の品質レベル(高品質,中品質など)のトレーニングデータを活用し,データキュレーションのコストを制限しつつ,パフォーマンスを向上させることを目的とした,新たなジェネレーティブ・アドバーサリー・ネットワーク(gan)を提案する。 我々は, (i) super-resolve histopathology images と (ii) super- resolution と surgical smoke removal を併用した腹腔鏡画像の強調を行った。 臨床および臨床前の大規模データセットの結果は,術式に対する混合スーパービジョンGANの利点を示している。

関連論文リスト

• Hybrid attention structure preserving network for reconstruction of under-sampled OCT images [0.30693357740321775]
  我々は,HASPN(Hybrid attention structure Preserving Network)を提案する。 適応的拡張畳み込み型チャネルアテンション(ADCCA)と空間アテンション(ESA)を利用して特徴のチャネルと空間情報をよりよく捉えた。 HASPNは糖尿病黄斑浮腫網膜データセットに適用され、その優れた一般化能が検証された。
  論文  参考訳（メタデータ） (2024-06-01T03:07:28Z)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and Multispectral Data Fusion [54.668445421149364]
  HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。 本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
  論文  参考訳（メタデータ） (2023-10-11T07:30:37Z)
• Improving Nonalcoholic Fatty Liver Disease Classification Performance With Latent Diffusion Models [0.0]
  拡散モデルを用いて生成した合成画像と実画像を組み合わせることで,非アルコール性脂肪性肝疾患分類性能を向上させることができることを示す。 その結果,拡散生成画像では最大ISスコアが1.90ドル,GANが1.67ドル,FIDスコアが6.9.45ドル,GANが100.05ドルであった。
  論文  参考訳（メタデータ） (2023-07-13T01:14:08Z)
• Self-supervised Domain Adaptation for Breaking the Limits of Low-quality Fundus Image Quality Enhancement [14.677912534121273]
  低画質の眼底画像とスタイルの整合性は、眼底疾患の診断における不確実性を高める可能性がある。 画像内容、低品質要因、スタイル情報の特徴を乱すために、2つの自己教師付きドメイン適応タスクを定式化する。 我々のDASQE法は,低画質の画像しか得られない場合に,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-01-17T15:07:20Z)
• UNO-QA: An Unsupervised Anomaly-Aware Framework with Test-Time Clustering for OCTA Image Quality Assessment [4.901218498977952]
  光コヒーレンス・トモグラフィ・アンギオグラフィー(OCTA)画像品質評価のためのテスト時間クラスタリングを用いた教師なし異常認識フレームワークを提案する。 OCTA画像の品質を定量化するために,特徴埋め込みに基づく低品質表現モジュールを提案する。 我々は、訓練されたOCTA品質表現ネットワークによって抽出されたマルチスケール画像の特徴の次元削減とクラスタリングを行う。
  論文  参考訳（メタデータ） (2022-12-20T18:48:04Z)
• Flow-based Visual Quality Enhancer for Super-resolution Magnetic Resonance Spectroscopic Imaging [13.408365072149795]
  超高解像度MRSIの視覚的品質を向上させるためのフローベースエンハンサーネットワークを提案する。 我々のエンハンサーネットワークは、追加画像モダリティ(MRI)から解剖情報を取り込み、学習可能なベース分布を使用する。 また,視覚的品質調整や不確実性推定も可能である。
  論文  参考訳（メタデータ） (2022-07-20T20:19:44Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images [54.40852143927333]
  ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。 圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。 提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
  論文  参考訳（メタデータ） (2020-06-30T07:38:47Z)
• Image Augmentations for GAN Training [57.65145659417266]
  我々は,バニラGANとGANの両方のイメージを正規化して拡張する方法に関する洞察とガイドラインを提供する。 意外なことに、Vanilla GANsは、最近の最先端の結果と同等の世代品質を実現している。
  論文  参考訳（メタデータ） (2020-06-04T00:16:02Z)

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。