論文の概要: Adversarial Domain Feature Adaptation for Bronchoscopic Depth Estimation
- arxiv url: http://arxiv.org/abs/2109.11798v1
- Date: Fri, 24 Sep 2021 08:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-27 14:04:41.907887
- Title: Adversarial Domain Feature Adaptation for Bronchoscopic Depth Estimation
- Title(参考訳): 内視鏡的深度推定のための対位領域特徴適応法
- Authors: Mert Asim Karaoglu, Nikolas Brasch, Marijn Stollenga, Wolfgang Wein,
Nassir Navab, Federico Tombari and Alexander Ladikos
- Abstract要約: そこで本研究では,深度推定のためのドメイン適応手法を提案する。
提案する2段階構造は,まず,ラベル付き合成画像を用いた深度推定ネットワークを教師付きで訓練する。
実験の結果,提案手法は実画像上でのネットワーク性能をかなりの差で向上させることがわかった。
- 参考スコア(独自算出の注目度): 111.89519571205778
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Depth estimation from monocular images is an important task in localization
and 3D reconstruction pipelines for bronchoscopic navigation. Various
supervised and self-supervised deep learning-based approaches have proven
themselves on this task for natural images. However, the lack of labeled data
and the bronchial tissue's feature-scarce texture make the utilization of these
methods ineffective on bronchoscopic scenes. In this work, we propose an
alternative domain-adaptive approach. Our novel two-step structure first trains
a depth estimation network with labeled synthetic images in a supervised
manner; then adopts an unsupervised adversarial domain feature adaptation
scheme to improve the performance on real images. The results of our
experiments show that the proposed method improves the network's performance on
real images by a considerable margin and can be employed in 3D reconstruction
pipelines.
- Abstract(参考訳): 単眼画像からの深度推定は、気管支鏡ナビゲーションのための局所化および3次元再構成パイプラインにおいて重要な課題である。
様々な教師付きおよび自己教師型ディープラーニングベースのアプローチが、自然画像のこのタスクで証明されている。
しかし, ラベル付きデータの欠如と, 気管支組織の特徴的テクスチャは, 気管支鏡のシーンでは有効ではない。
本研究では,ドメイン適応型アプローチを提案する。
新たな2段階構造では,まず,ラベル付き合成画像を用いた深度推定ネットワークを教師付きで訓練し,非教師付き対向領域特徴適応方式を用いて実画像の性能を向上させる。
実験の結果,提案手法は実画像のネットワーク性能をかなりのマージンで改善し,3次元再構成パイプラインに適用可能であることがわかった。
関連論文リスト
- RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering
Assisted Distillation [50.35403070279804]
マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。
本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
論文 参考訳(メタデータ) (2023-12-19T03:39:56Z) - ReContrast: Domain-Specific Anomaly Detection via Contrastive
Reconstruction [29.370142078092375]
殆どの高度な教師なし異常検出(UAD)手法は、大規模データセットで事前訓練された冷凍エンコーダネットワークの特徴表現をモデル化することに依存している。
本稿では,事前学習した画像領域に対するバイアスを低減するために,ネットワーク全体を最適化する新しい疫学的UAD手法であるReContrastを提案する。
2つの一般的な産業欠陥検出ベンチマークと3つの医用画像UADタスクで実験を行い、現在の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-05T05:21:15Z) - DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior [0.22940141855172028]
本稿では,古典的反復法をディープラーニングアプリケーションに組み込んだ非盲検画像デコンボリューションモデルを提案する。
このアルゴリズムは、トレーニング可能な畳み込み層と統合され、復元された画像構造と詳細を強化する。
論文 参考訳(メタデータ) (2022-09-30T11:15:03Z) - Neural 3D Reconstruction in the Wild [86.6264706256377]
そこで我々は,インターネット写真コレクションから効率よく高精度な表面再構成を実現する新しい手法を提案する。
そこで本研究では,これらのシーンにおける再構成性能を評価するための新しいベンチマークとプロトコルを提案する。
論文 参考訳(メタデータ) (2022-05-25T17:59:53Z) - A comparison of different atmospheric turbulence simulation methods for
image restoration [64.24948495708337]
大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。
深層学習に基づく大気乱流緩和法が文献で提案されている。
様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
論文 参考訳(メタデータ) (2022-04-19T16:21:36Z) - Adaptive Image Inpainting [43.02281823557039]
ディープニューラルネットワークを使用することで、塗装法は大幅に改善されている。
この問題は、欠落した領域の完全かつ忠実な埋め込みを構築する際のエンコーダ層の非効率性に根ざしている。
本稿では, エンコーダ層に対して, 直接的特徴レベルの監視を行う蒸留方式を提案する。
論文 参考訳(メタデータ) (2022-01-01T12:16:01Z) - Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。
この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文 参考訳(メタデータ) (2021-10-12T19:28:39Z) - 3D Human Texture Estimation from a Single Image with Transformers [106.6320286821364]
単一画像からの3次元人間のテクスチャ推定のためのトランスフォーマーベースのフレームワークを提案する。
また,RGBモデルとテクスチャフローモデルを組み合わせたマスク融合方式を提案する。
論文 参考訳(メタデータ) (2021-09-06T16:00:20Z)
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。