論文の概要: NeRP: Implicit Neural Representation Learning with Prior Embedding for
Sparsely Sampled Image Reconstruction
- arxiv url: http://arxiv.org/abs/2108.10991v1
- Date: Tue, 24 Aug 2021 23:19:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-26 12:55:56.114672
- Title: NeRP: Implicit Neural Representation Learning with Prior Embedding for
Sparsely Sampled Image Reconstruction
- Title(参考訳): NeRP: 少ないサンプリング画像再構成のためのプリエンベディングによる暗黙的ニューラル表現学習
- Authors: Liyue Shen, John Pauly, Lei Xing
- Abstract要約: 本稿では,事前埋め込み(NeRP)を用いた暗黙的ニューラルネットワーク表現学習手法を提案する。
NeRPは、以前の画像の内部情報と、わずかにサンプリングされた測定の物理を利用して、未知の被写体の表現を生成する。
腫瘍進展を評価するために,NeRPは微妙ながら重要な画像変化を強く捉えることができる。
- 参考スコア(独自算出の注目度): 12.562944789902406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image reconstruction is an inverse problem that solves for a computational
image based on sampled sensor measurement. Sparsely sampled image
reconstruction poses addition challenges due to limited measurements. In this
work, we propose an implicit Neural Representation learning methodology with
Prior embedding (NeRP) to reconstruct a computational image from sparsely
sampled measurements. The method differs fundamentally from previous deep
learning-based image reconstruction approaches in that NeRP exploits the
internal information in an image prior, and the physics of the sparsely sampled
measurements to produce a representation of the unknown subject. No large-scale
data is required to train the NeRP except for a prior image and sparsely
sampled measurements. In addition, we demonstrate that NeRP is a general
methodology that generalizes to different imaging modalities such as CT and
MRI. We also show that NeRP can robustly capture the subtle yet significant
image changes required for assessing tumor progression.
- Abstract(参考訳): 画像再構成は、サンプリングされたセンサ計測に基づく計算画像の逆問題である。
少量のサンプル画像再構成は、限られた測定のために追加の課題を引き起こす。
本研究では,事前埋め込み(NeRP)を用いた暗黙的ニューラルネットワーク表現学習手法を提案する。
従来の深層学習に基づく画像再構成手法とは根本的に異なり、nerpは画像内の内部情報を事前に活用し、比較的サンプルの少ない測定値の物理を活用して未知の被写体の表現を生成する。
以前の画像と少量のサンプルデータを除いて、NeRPを訓練するために大規模なデータは必要ない。
また,NeRPはCTやMRIなどの様々な画像モダリティに一般化する一般的な手法であることを示す。
また,NeRPは腫瘍進展を評価するのに必要な,微妙ながら重要な画像変化をしっかりと捉えることができることを示した。
関連論文リスト
- Analysis of Deep Image Prior and Exploiting Self-Guidance for Image
Reconstruction [13.277067849874756]
DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。
ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。
提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
論文 参考訳(メタデータ) (2024-02-06T15:52:23Z) - A plug-and-play synthetic data deep learning for undersampled magnetic
resonance image reconstruction [15.780203168452443]
アンダーサンプ型MRI画像再構成の深層学習法は,画像デアライジングにおいて優れた性能を示した。
異なるサンプリング設定に効果的に適用可能なアンダーサンプドMRI再構成のための深いプラグアンドプレイ法を提案する。
論文 参考訳(メタデータ) (2023-09-13T02:37:19Z) - Implicit Neural Representation for MRI Parallel Imaging Reconstruction [31.952891507137725]
暗黙的ニューラル表現(INR)に基づく新しいMRI再構成法を提案する。
INRは、再構成された完全サンプリング画像を、ボクセル座標とアンダーサンプル画像の以前の特徴ベクトルの関数として表現する。
具体的には、異なるアンダーサンプリングスケールのMR画像からスケール非依存のボクセル特異な特徴を生成するためのスケール埋め込みエンコーダを提案する。
論文 参考訳(メタデータ) (2023-09-12T09:07:03Z) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - 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) - Deep Probabilistic Imaging: Uncertainty Quantification and Multi-modal
Solution Characterization for Computational Imaging [11.677576854233394]
本稿では,再構成の不確かさを定量化するために,変分深い確率的イメージング手法を提案する。
Deep Probabilistic Imagingは、未学習の深部生成モデルを用いて、未観測画像の後部分布を推定する。
論文 参考訳(メタデータ) (2020-10-27T17:23:09Z) - Deep Variational Network Toward Blind Image Restoration [55.33102369856991]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-08-25T03:30:53Z) - Data Consistent CT Reconstruction from Insufficient Data with Learned
Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。
本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。
提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文 参考訳(メタデータ) (2020-05-20T13:30:49Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳(メタデータ) (2020-05-07T15:57:25Z)
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。