論文の概要: A Streaming Volumetric Image Generation Framework for Development and
Evaluation of Out-of-Core Methods
- arxiv url: http://arxiv.org/abs/2112.09809v1
- Date: Sat, 18 Dec 2021 00:00:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 16:17:46.662561
- Title: A Streaming Volumetric Image Generation Framework for Development and
Evaluation of Out-of-Core Methods
- Title（参考訳）: コア外手法の開発と評価のためのストリームボリューム画像生成フレームワーク
- Authors: Dominik Drees and Xiaoyi Jiang
- Abstract要約: 本稿では,テスト(および地上真実)ボリュームデータを効率的に生成するアルゴリズムフレームワークを提案する。
提案アルゴリズムを解析し,提案手法を仮説的ベストケースベースライン法と実験的に比較する。
提案されたフレームワークの実装は、Vascusynthの修正版と実験的な評価に使用されるコードによってオンラインで利用可能である。
- 参考スコア（独自算出の注目度）: 4.974890682815778
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advances in 3D imaging technology in recent years have allowed for
increasingly high resolution volumetric images of large specimen. The resulting
datasets of hundreds of Gigabytes in size call for new scalable and memory
efficient approaches in the field of image processing, where some progress has
been made already. At the same time, quantitative evaluation of these new
methods is difficult both in terms of the availability of specific data sizes
and in the generation of associated ground truth data. In this paper we present
an algorithmic framework that can be used to efficiently generate test (and
ground truth) volume data, optionally even in a streaming fashion. As the
proposed nested sweeps algorithm is fast, it can be used to generate test data
on demand. We analyze the asymptotic run time of the presented algorithm and
compare it experimentally to alternative approaches as well as a hypothetical
best-case baseline method. In a case study, the framework is applied to the
popular VascuSynth software for vascular image generation, making it capable of
efficiently producing larger-than-main memory volumes which is demonstrated by
generating a trillion voxel (1TB) image. Implementations of the presented
framework are available online in the form of the modified version of
Vascusynth and the code used for the experimental evaluation. In addition, the
test data generation procedure has been integrated into the popular volume
rendering and processing framework Voreen.
- Abstract（参考訳）: 近年の3dイメージング技術の進歩により、大型標本の高分解能ボリューム画像が可能となった。
その結果、数百ギガバイト規模のデータセットは、画像処理の分野で新しいスケーラブルでメモリ効率の高いアプローチを呼び起こし、いくつかの進歩がすでになされている。
同時に、これらの新しい手法の定量的評価は、特定のデータサイズの可用性と関連する基底的真理データの生成の両方において困難である。
本稿では,ストリーミング方式であっても,テスト(および地上真実)ボリュームデータを効率的に生成することのできるアルゴリズムフレームワークを提案する。
提案するnested sweepsアルゴリズムは高速であるため、必要に応じてテストデータを生成することができる。
本稿では,提案アルゴリズムの漸近実行時間を分析し,仮説的ベストケースベースライン法と同様に,他の手法と実験的に比較する。
本研究では, 血管画像生成のためのVascuSynthソフトウェアに適用し, 1兆ボクセル (1TB) 画像を生成することで, より大規模なメモリボリュームを効率よく生成することを可能にする。
提案されたフレームワークの実装は、Vascusynthの修正版と実験的な評価に使用されるコードによってオンラインで利用可能である。
さらに、テストデータ生成手順は一般的なボリュームレンダリングおよび処理フレームワークであるVoreenに統合されている。
関連論文リスト
- OrientDream: Streamlining Text-to-3D Generation with Explicit Orientation Control [66.03885917320189]
OrientDreamは、テキストプロンプトから効率よくマルチビューで一貫した3D生成のためのカメラ指向条件付きフレームワークである。
本戦略は,2次元テキスト・画像拡散モジュールの事前学習におけるカメラ配向条件付き機能の実装を強調する。
提案手法は,一貫したマルチビュー特性を持つ高品質なNeRFモデルを生成するだけでなく,既存手法よりも最適化速度が大幅に向上することを示した。
論文 参考訳（メタデータ） (2024-06-14T13:16:18Z) - Active Generation for Image Classification [45.93535669217115]
本稿では,モデルのニーズと特徴に着目し,画像生成の効率性に対処することを提案する。
能動学習の中心的傾向として,ActGenという手法が,画像生成のトレーニング・アウェア・アプローチを取り入れている。
論文 参考訳（メタデータ） (2024-03-11T08:45:31Z) - Flow Matching in Latent Space [2.9330609943398525]
フローマッチングは、印象的な経験的パフォーマンスを示す生成モデルをトレーニングするフレームワークである。
本稿では,事前学習されたオートエンコーダの潜時空間にフローマッチングを適用し,計算効率を向上させることを提案する。
我々の研究は、条件生成タスクのフローマッチングへの様々な条件の統合における先駆的な貢献である。
論文 参考訳（メタデータ） (2023-07-17T17:57:56Z) - Beyond Learned Metadata-based Raw Image Reconstruction [86.1667769209103]
生画像は、線形性や微細な量子化レベルなど、sRGB画像に対して明確な利点がある。
ストレージの要求が大きいため、一般ユーザからは広く採用されていない。
本稿では,メタデータとして,潜在空間におけるコンパクトな表現を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T06:59:07Z) - IRGen: Generative Modeling for Image Retrieval [82.62022344988993]
本稿では,画像検索を生成モデルの一種として再フレーミングする新しい手法を提案する。
我々は、イメージを意味単位の簡潔なシーケンスに変換するという技術的課題に対処するため、IRGenと呼ばれるモデルを開発した。
本モデルは,広範に使用されている3つの画像検索ベンチマークと200万件のデータセットに対して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-03-17T17:07:36Z) - Deformable Image Registration using Neural ODEs [15.245085400790002]
ニューラル常微分方程式(NODE)を利用した汎用的で高速かつ高精度な微分型画像登録フレームワークを提案する。
従来の最適化手法と比較して、我々のフレームワークは実行時間を数十分から数十秒に短縮する。
実験の結果, 提案手法の登録結果は, 各種測定値において, 最先端技術よりも優れていた。
論文 参考訳（メタデータ） (2021-08-07T12:54:17Z) - Multi-scale Neural ODEs for 3D Medical Image Registration [7.715565365558909]
医用画像解析において画像登録は重要な役割を担っている。
ラーニング・トゥ・マップのような深層学習手法はより高速であるが、大きな動きを扱うための精度を改善するために反復的あるいは粗大なアプローチが必要である。
本研究では,マルチスケールのニューラルODEモデルを用いて登録を学習することを提案する。
論文 参考訳（メタデータ） (2021-06-16T00:26:53Z) - Hierarchical Random Walker Segmentation for Large Volumetric Biomedical
Data [4.974890682815778]
画像セグメンテーションのためのランダムウォーカー法は半自動画像セグメンテーションの一般的なツールである。
線形実行時間とメモリ要求は、サイズが増大する3dデータセットに非現実的に適用する。
サブ線形実行時間と一定メモリの複雑さを実現する階層型フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-17T11:02:44Z) - 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) - Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。
パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。
適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文 参考訳（メタデータ） (2020-03-03T15:20:57Z) - Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。
本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。
エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
論文 参考訳（メタデータ） (2020-02-10T13:13:43Z)
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。