論文の概要: Reconstructing Images of Two Adjacent Objects through Scattering Medium
Using Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2107.11574v1
- Date: Sat, 24 Jul 2021 10:04:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 08:43:52.171889
- Title: Reconstructing Images of Two Adjacent Objects through Scattering Medium
Using Generative Adversarial Network
- Title（参考訳）: 生成逆ネットワークを用いた散乱媒質による2つの隣接物体の画像再構成
- Authors: Xuetian Lai, Qiongyao Li, Ziyang Chen, Xiaopeng Shao, and Jixiong Pu
- Abstract要約: 本稿では、GAN(Generative Adversarial Network)を用いて、2つの隣接する物体の画像を散乱媒体で再構成する手法を示す。
本研究で紹介される技術は, 医用画像分類, セグメンテーション, マルチオブジェクト散乱イメージングなどの医療画像解析分野への応用に利用できる。
- 参考スコア（独自算出の注目度）: 2.5310245458966327
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstruction of image by using convolutional neural networks (CNNs) has
been vigorously studied in the last decade. Until now, there have being
developed several techniques for imaging of a single object through scattering
medium by using neural networks, however how to reconstruct images of more than
one object simultaneously seems hard to realize. In this paper, we demonstrate
an approach by using generative adversarial network (GAN) to reconstruct images
of two adjacent objects through scattering media. We construct an imaging
system for imaging of two adjacent objects behind the scattering media. In
general, as the light field of two adjacent object images pass through the
scattering slab, a speckle pattern is obtained. The designed adversarial
network, which is called as YGAN, is employed to reconstruct the images
simultaneously. It is shown that based on the trained YGAN, we can reconstruct
images of two adjacent objects from one speckle pattern with high fidelity. In
addition, we study the influence of the object image types, and the distance
between the two adjacent objects on the fidelity of the reconstructed images.
Moreover even if another scattering medium is inserted between the two objects,
we can also reconstruct the images of two objects from a speckle with high
quality. The technique presented in this work can be used for applications in
areas of medical image analysis, such as medical image classification,
segmentation, and studies of multi-object scattering imaging etc.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)を用いた画像再構成は,過去10年間で活発に研究されている。
これまで, ニューラルネットワークを用いた散乱媒質による単一物体のイメージング技術が開発されてきたが, 複数の物体の画像を同時に再構成する方法は, 実現が困難である。
本稿では,2つの隣接物体の画像を散乱媒体で再構成するために,gan(generative adversarial network)を用いて,そのアプローチを示す。
散乱媒質の背後にある2つの隣接する物体を撮像するイメージングシステムを構築する。
一般に、隣接する2つの物体画像の光場が散乱スラブを通過するとスペックルパターンが得られる。
画像を同時に再構築するためにYGANと呼ばれる設計された対向ネットワークが使用される。
トレーニングされたYGANに基づいて,隣接する2つの物体の画像を1つのスペックルパターンから高忠実度で再構成できることが示されている。
さらに, 対象画像の種類と隣接する2つの物体間の距離が再構成画像の忠実度に与える影響について検討した。
また、2つの物体の間に別の散乱媒質を挿入しても、高品質なスペックルから2つの物体の像を再構成することができる。
本研究で紹介される技術は, 医用画像分類, セグメンテーション, マルチオブジェクト散乱イメージングなどの医療画像解析分野への応用に利用できる。
関連論文リスト
- DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Passive superresolution imaging of incoherent objects [63.942632088208505]
手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。
ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
論文 参考訳（メタデータ） (2023-04-19T15:53:09Z) - Dual Pyramid Generative Adversarial Networks for Semantic Image
Synthesis [94.76988562653845]
セマンティック画像合成の目標は、セマンティックラベルマップからフォトリアリスティック画像を生成することである。
しかし、現在の最先端のアプローチは、さまざまなスケールで画像で現実的なオブジェクトを生成するのに依然として苦労している。
本研究では,空間適応型正規化ブロックの条件付けを各スケールで同時に学習するDual Pyramid Generative Adversarial Network (DP-GAN)を提案する。
論文 参考訳（メタデータ） (2022-10-08T18:45:44Z) - NeuralReshaper: Single-image Human-body Retouching with Deep Neural
Networks [50.40798258968408]
本稿では,深部生成ネットワークを用いた単一画像における人体の意味的再構成手法であるNeuralReshaperを提案する。
われわれのアプローチは、まずパラメトリックな3次元人間モデルと元の人間の画像とを適合させるフィッティング・セイン・リフォーム・パイプラインに従う。
ペアデータが存在しないデータ不足に対処するために,ネットワークをトレーニングするための新たな自己教師型戦略を導入する。
論文 参考訳（メタデータ） (2022-03-20T09:02:13Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - Deep Learning for Multi-View Ultrasonic Image Fusion [2.1410799064827226]
Delay-And-Sum (DAS)アルゴリズムは、反射信号がトランスデューサに戻るメインパスを用いて画像を生成する。
従来の画像融合技術は、通常、事前定義された画像変換、プーリング操作、しきい値のアドホックな組み合わせを使用する。
我々は、異なる共振路に対するDAS画像形成をネットワーク層として明示的に取り入れつつ、利用可能なすべてのデータをセグメントマップに直接マッピングするディープニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-08T13:04:07Z) - Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。
近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。
本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文 参考訳（メタデータ） (2021-08-12T08:46:35Z) - Deep Iteration Assisted by Multi-level Obey-pixel Network Discriminator
(DIAMOND) for Medical Image Recovery [0.6719751155411076]
従来の反復型ネットワークと最新のディープネットワークの両方が注目されており、満足度の高い画像の再構成において大幅な改善がなされている。
本研究は,それらの利点を1つの統一数学的モデルに統合し,そのような問題に対処するための一般的な画像復元戦略を提案する。
論文 参考訳（メタデータ） (2021-02-08T16:57:33Z) - A Dual-branch Network for Infrared and Visible Image Fusion [20.15854042473049]
高密度ブロックとGANに基づく新しい手法を提案する。
ネットワーク全体の各層に入力された画像可視光画像を直接挿入します。
提案手法により得られた融合画像は,複数の評価指標に基づいて良好なスコアが得られることを示す。
論文 参考訳（メタデータ） (2021-01-24T04:18:32Z) - An Improved Iterative Neural Network for High-Quality Image-Domain
Material Decomposition in Dual-Energy CT [16.84451472788859]
高エネルギー・低エネルギー減衰画像から直接物質像を分解する。
高品質な材料画像を得るための様々なデータ駆動手法が提案されている。
反復ニューラルネットワーク(NN)は回帰NNとモデルベース画像再構成を組み合わせた手法である。
論文 参考訳（メタデータ） (2020-12-02T16:27:38Z)
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。