論文の概要: Mining the manifolds of deep generative models for multiple
data-consistent solutions of ill-posed tomographic imaging problems
- arxiv url: http://arxiv.org/abs/2202.05311v1
- Date: Thu, 10 Feb 2022 20:27:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-14 16:08:42.625458
- Title: Mining the manifolds of deep generative models for multiple
data-consistent solutions of ill-posed tomographic imaging problems
- Title（参考訳）: 断層撮影問題に対する多重データ一貫性解に対する深部生成モデルの多様体のマイニング
- Authors: Sayantan Bhadra, Umberto Villa and Mark A. Anastasio
- Abstract要約: 断層撮影は一般的に逆問題である。
本稿では,トモグラフィ逆問題に対する複数の解を求める経験的サンプリング手法を提案する。
- 参考スコア（独自算出の注目度）: 10.115302976900445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tomographic imaging is in general an ill-posed inverse problem. Typically, a
single regularized image estimate of the sought-after object is obtained from
tomographic measurements. However, there may be multiple objects that are all
consistent with the same measurement data. The ability to generate such
alternate solutions is important because it may enable new assessments of
imaging systems. In principle, this can be achieved by means of posterior
sampling methods. In recent years, deep neural networks have been employed for
posterior sampling with promising results. However, such methods are not yet
for use with large-scale tomographic imaging applications. On the other hand,
empirical sampling methods may be computationally feasible for large-scale
imaging systems and enable uncertainty quantification for practical
applications. Empirical sampling involves solving a regularized inverse problem
within a stochastic optimization framework in order to obtain alternate
data-consistent solutions. In this work, we propose a new empirical sampling
method that computes multiple solutions of a tomographic inverse problem that
are consistent with the same acquired measurement data. The method operates by
repeatedly solving an optimization problem in the latent space of a style-based
generative adversarial network (StyleGAN), and was inspired by the Photo
Upsampling via Latent Space Exploration (PULSE) method that was developed for
super-resolution tasks. The proposed method is demonstrated and analyzed via
numerical studies that involve two stylized tomographic imaging modalities.
These studies establish the ability of the method to perform efficient
empirical sampling and uncertainty quantification.
- Abstract（参考訳）: 断層撮影は一般的に逆問題である。
通常、トモグラフィー測定により、追従対象の単一正規化画像推定値を得る。
しかし、同じ測定データと全て一致する複数のオブジェクトが存在するかもしれない。
このような代替ソリューションを生成する能力は、イメージングシステムの新たな評価を可能にするため重要である。
原則として、これは後続サンプリング法によって達成できる。
近年では、深層ニューラルネットワークが後部サンプリングに使われており、将来性がある。
しかし、このような方法は大規模な断層撮影にはまだ使われていない。
一方, 大規模撮像システムでは実験的サンプリング法が計算可能であり, 実用上不確実性定量化が可能である。
経験的サンプリングは、確率的最適化フレームワーク内で正規化された逆問題を解くことで、代替データ一貫性のソリューションを得る。
そこで本研究では, 同一測定データと整合した断層逆問題の複数解を計算する新しい経験的サンプリング法を提案する。
この方法は、スタイルベース生成逆数ネットワーク(StyleGAN)の潜時空間における最適化問題を繰り返し解決し、超分解能タスクのために開発されたLatent Space Exploration(PULSE)法によるPhoto Upsamplingにインスパイアされた。
提案手法は2つのスタイリングトモグラフィー画像モダリティを含む数値的研究により実証および解析を行った。
これらの研究は、効率的な経験的サンプリングと不確実性定量化を行う方法の能力を確立する。
関連論文リスト
- Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳（メタデータ） (2022-01-27T20:19:07Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳（メタデータ） (2021-11-27T12:12:57Z) - Solving Inverse Problems in Medical Imaging with Score-Based Generative
Models [87.48867245544106]
CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である
機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。
本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
論文 参考訳（メタデータ） (2021-11-15T05:41:12Z) - Score-based diffusion models for accelerated MRI [35.3148116010546]
本研究では,画像中の逆問題を容易に解けるような条件分布からデータをサンプリングする方法を提案する。
我々のモデルは、訓練のためにのみ等級画像を必要とするが、複雑な値のデータを再構成することができ、さらに並列画像まで拡張できる。
論文 参考訳（メタデータ） (2021-10-08T08:42:03Z) - 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) - Sampling possible reconstructions of undersampled acquisitions in MR
imaging [9.75702493778194]
MR中のk-空間のアンサンプは時間を節約するが、結果として不適切な逆転問題が発生し、可能な限り無限の画像が生成される。
伝統的に、これは、選択された正規化や事前に従って、このソリューションセットから1つの「ベスト」イメージを検索することで、再構成問題として取り組まれる。
そこで本研究では,逆変換プロセスにおける不確実性を捉えるために,取得モデルと選択した条件下で可能な複数の画像を返却する手法を提案する。
論文 参考訳（メタデータ） (2020-09-30T18:20:06Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Image Response Regression via Deep Neural Networks [4.646077947295938]
本稿では,空間変動係数モデルの枠組みにおける新しい非パラメトリック手法を提案する。
提案手法の主な考え方は,画像ボクセルを空間的有効サンプルとして扱うことであり,医用画像研究の大部分を悩ませる限られたサンプルサイズの問題を軽減することにある。
本手法の有効性を,集中シミュレーションを用いて実証し,その利点を2つの機能的磁気共鳴イメージングデータセットで分析した。
論文 参考訳（メタデータ） (2020-06-17T14:45:26Z) - Real-time sparse-sampled Ptychographic imaging through deep neural
networks [3.3351024234383946]
データの取得と解析の両方に制約を課す複雑な逆問題の解法により、画像再構成を実現する。
本稿では,深部畳み込みニューラルネットワークに基づく画像再構成問題の解法として,PtychoNNを提案する。
論文 参考訳（メタデータ） (2020-04-15T23:43:17Z)
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。