論文の概要: LDDMM meets GANs: Generative Adversarial Networks for diffeomorphic registration

• arxiv url: http://arxiv.org/abs/2111.12544v1
• Date: Wed, 24 Nov 2021 15:26:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 17:28:13.230999
• Title: LDDMM meets GANs: Generative Adversarial Networks for diffeomorphic registration
• Title（参考訳）: lddmm meets gans:diffeomorphic registrationのための生成的逆ネットワーク
• Authors: Ubaldo Ramon, Monica Hernandez, and Elvira Mayordomo
• Abstract要約: 本稿では,ジェネレーティブ・アドリラル・ネットワークに基づく3次元モノモーダル画像対に対する逆学習手法を提案する。 我々は、微分同相の定常パラメータ化とEPDiff制約付き非定常パラメータ化の2つのモデルの実装に成功した。 提案手法は1秒未満の計算時間を持つモデルベース手法と類似した結果を示した。
• 参考スコア（独自算出の注目度）: 1.2599533416395767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The purpose of this work is to contribute to the state of the art of deep-learning methods for diffeomorphic registration. We propose an adversarial learning LDDMM method for pairs of 3D mono-modal images based on Generative Adversarial Networks. The method is inspired by the recent literature for deformable image registration with adversarial learning. We combine the best performing generative, discriminative, and adversarial ingredients from the state of the art within the LDDMM paradigm. We have successfully implemented two models with the stationary and the EPDiff-constrained non-stationary parameterizations of diffeomorphisms. Our unsupervised and data-hungry approach has shown a competitive performance with respect to a benchmark supervised and rich-data approach. In addition, our method has shown similar results to model-based methods with a computational time under one second.
• Abstract（参考訳）: 本研究の目的は、微分型登録のためのディープラーニング手法の現状に貢献することである。 本稿では,ジェネレーティブ・ディバイサル・ネットワークに基づく3次元モノモーダル画像対に対する逆学習 LDDMM 手法を提案する。 本手法は, 逆学習による変形可能な画像登録のための最近の文献に着想を得たものである。 我々は, LDDMMパラダイムにおける技術の現状から, 最高の生成的, 差別的, 敵対的な材料を組み合わせる。 我々は、微分同相の定常パラメータ化とEPDiff制約付き非定常パラメータ化の2つのモデルの実装に成功した。 我々の教師なしとデータハングリーのアプローチは、教師付きとリッチなデータアプローチに対する競争力を示している。 さらに,本手法は1秒未満の計算時間を持つモデルベース手法と類似した結果を示した。

関連論文リスト

• Unified Speech Recognition: A Single Model for Auditory, Visual, and Audiovisual Inputs [73.74375912785689]
  本稿では,音声認識システムのための統合学習戦略を提案する。 3つのタスクの1つのモデルをトレーニングすることで、VSRとAVSRの性能が向上することを示す。 また,非ラベル標本をより効果的に活用するために,強欲な擬似ラベリング手法を導入する。
  論文  参考訳（メタデータ） (2024-11-04T16:46:53Z)
• Pose-Guided Self-Training with Two-Stage Clustering for Unsupervised Landmark Discovery [17.455841673719625]
  オブジェクトカテゴリの教師なしランドマーク発見(ULD)は、コンピュータビジョンの問題である。 堅牢な ULD フレームワークの開発を追求するために,拡散モデルとして知られる,近年の自己教師型学習アルゴリズムの可能性を探る。 提案手法は, AFLW, MAFL, CatHeads, LS3Dの4つの挑戦的ベンチマークにおいて, 最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-03-24T15:24:04Z)
• Importance of Aligning Training Strategy with Evaluation for Diffusion Models in 3D Multiclass Segmentation [8.649603931882227]
  DDPMに基づく2つの大規模マルチクラスデータセット上の3次元マルチクラスセグメンテーションのためのセグメンテーションモデルについて検討した。 その結果,既存のDDPM法では訓練方法と試験方法の違いが劣ることがわかった。 この不整合を緩和するため, モデルの予測に基づいて, 劣化したマスクを生成するリサイクル手法を提案した。
  論文  参考訳（メタデータ） (2023-03-10T16:30:09Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
  我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。 これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。 これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-14T00:53:03Z)
• IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
  IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。 我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。 IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
  論文  参考訳（メタデータ） (2021-04-13T02:00:24Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。