論文の概要: 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2110.07766v1
- Date: Thu, 14 Oct 2021 23:05:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 05:19:17.374752
- Title: 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks
- Title（参考訳）: ステレオマッチング型深層畳み込みニューラルネットワークによる3次元構造再構成
- Authors: Okan Alting\"ovde, Anastasiia Mishchuk, Gulnaz Ganeeva, Emad Oveisi,
Cecile Hebert, Pascal Fua
- Abstract要約: 本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
- 参考スコア（独自算出の注目度）: 52.710012864395246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Curvilinear structures frequently appear in microscopy imaging as the object
of interest. Crystallographic defects, i.e., dislocations, are one of the
curvilinear structures that have been repeatedly investigated under
transmission electron microscopy (TEM) and their 3D structural information is
of great importance for understanding the properties of materials. 3D
information of dislocations is often obtained by tomography which is a
cumbersome process since it is required to acquire many images with different
tilt angles and similar imaging conditions. Although, alternative stereoscopy
methods lower the number of required images to two, they still require human
intervention and shape priors for accurate 3D estimation. We propose a fully
automated pipeline for both detection and matching of curvilinear structures in
stereo pairs by utilizing deep convolutional neural networks (CNNs) without
making any prior assumption on 3D shapes. In this work, we mainly focus on 3D
reconstruction of dislocations from stereo pairs of TEM images.
- Abstract（参考訳）: 線状構造は、顕微鏡イメージングにおいて関心の対象としてしばしば現れる。
結晶学的な欠陥、すなわち転位は透過電子顕微鏡(TEM)で繰り返し研究されてきた曲線構造の一つであり、それらの3次元構造情報は材料の物性を理解する上で非常に重要である。
転位に関する3次元情報は、傾き角や類似した撮像条件の異なる多数の画像を取得する必要があるため、面倒な過程であるトモグラフィーによって得られることが多い。
オルタナティブ立体視法では必要な画像数を2つに減らすが、正確な3次元推定には人間の介入と形状事前が必要となる。
本稿では,3次元形状を前提とせずに,深部畳み込みニューラルネットワーク(CNN)を用いて,立体対における曲線構造の検出とマッチングを行う完全自動パイプラインを提案する。
本研究は,TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
関連論文リスト
- GeoGS3D: Single-view 3D Reconstruction via Geometric-aware Diffusion Model and Gaussian Splatting [81.03553265684184]
単視点画像から詳細な3Dオブジェクトを再構成するフレームワークであるGeoGS3Dを紹介する。
本稿では,GDS(Gaussian Divergence Significance)という新しい指標を提案する。
実験により、GeoGS3Dはビュー間で高い一貫性を持つ画像を生成し、高品質な3Dオブジェクトを再構成することを示した。
論文 参考訳（メタデータ） (2024-03-15T12:24:36Z) - Using convolutional neural networks for stereological characterization
of 3D hetero-aggregates based on synthetic STEM data [0.0]
パラメトリックな3Dモデルが提示され、そこから多数の仮想ヘテロアグリゲートが生成される。
仮想構造は、仮想走査透過電子顕微鏡(STEM)画像を生成するために物理シミュレーションツールに渡される。
畳み込みニューラルネットワークは、2次元STEM画像からヘテロアグリゲートの3次元構造を予測するために訓練される。
論文 参考訳（メタデータ） (2023-10-27T22:49:08Z) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-26T14:38:42Z) - Enforcing connectivity of 3D linear structures using their 2D
projections [54.0598511446694]
本稿では,2次元投影におけるトポロジ認識損失の総和を最小化することにより,結果の3次元接続性を改善することを提案する。
これにより、精度の向上と、アノテーション付きトレーニングデータの提供に必要なアノテーションの労力の削減が図られる。
論文 参考訳（メタデータ） (2022-07-14T11:42:18Z) - Optical Diffraction Tomography based on 3D Physics-Inspired Neural
Network (PINN) [0.1310865248866973]
光回折トモグラフィー(ODT)は半透明試料の屈折率(RI)の3次元再構成に使用される新しい3Dイメージング技術である。
ボルンやリトフ近似のような様々な試料のホログラフィー検出に基づいて、3D RIを再構成する様々な逆モデルが提案されている。
本稿では,3次元ニューラルネットワーク(NN)を応用した別のアプローチを提案する。このNNは,光波伝搬の物理理論に基づく物理モデルに基づくコスト関数を用いて訓練する。
論文 参考訳（メタデータ） (2022-06-10T17:19:04Z) - Machine Learning for Detection of 3D Features using sparse X-ray data [6.295613527861694]
慣性凝縮核融合実験では、中性子収率とその他のパラメータは1次元モデルと2次元モデルで完全に説明できない。
この矛盾は、重要な3次元効果が存在することを示唆している。
これらの効果の源は、貝殻と貝殻の界面の欠陥、カプセルの充填管、二重の貝殻の標的の関節の特徴などである。
我々は畳み込みニューラルネットワークを用いて、実験データからICFインロジョンの異なる3次元表現を生成する。
論文 参考訳（メタデータ） (2022-06-02T22:36:54Z) - Capturing Shape Information with Multi-Scale Topological Loss Terms for
3D Reconstruction [7.323706635751351]
本稿では, 連結成分, サイクル, 空隙などの多次元位相特徴を再構成損失に含め, 幾何学的形状情報を補完する手法を提案する。
提案手法は, 3次元体積データから3次元形状データから位相特性を計算し, 最適輸送距離を用いて復元過程を導出する。
SHAPRは2次元顕微鏡画像から個々の細胞の3次元細胞形状を予測するモデルである。
論文 参考訳（メタデータ） (2022-03-03T13:18:21Z) - 3D Structure from 2D Microscopy images using Deep Learning [0.0]
近年の人工知能の進歩は、顕微鏡画像から正確な3D構造を取り出すために応用されている。
本稿では,2次元単一分子局在顕微鏡画像からタンパク質複合体を再構成する深層学習ソリューションを提案する。
論文 参考訳（メタデータ） (2021-10-14T14:55:41Z) - CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical
Imaging [90.78899127463445]
カービリニア構造のセグメンテーションのための汎用的で統一的な畳み込みニューラルネットワークを提案する。
エンコーダとデコーダに自己アテンション機構を含む新しいカービリニア構造分割ネットワーク(CS2-Net)を導入する。
論文 参考訳（メタデータ） (2020-10-15T03:06:37Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳（メタデータ） (2020-04-21T13:40:03Z)
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。