論文の概要: sim2real: Cardiac MR Image Simulation-to-Real Translation via Unsupervised GANs

• arxiv url: http://arxiv.org/abs/2208.04874v1
• Date: Tue, 9 Aug 2022 16:06:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 13:10:00.061769
• Title: sim2real: Cardiac MR Image Simulation-to-Real Translation via Unsupervised GANs
• Title（参考訳）: sim2real:心臓mr画像シミュレーション-教師なしgansによる実写翻訳
• Authors: Sina Amirrajab, Yasmina Al Khalil, Cristian Lorenz, Jurgen Weese, Josien Pluim, and Marcel Breeuwer
• Abstract要約: 解剖学的に異なる仮想XCAT被験者に対して画像シミュレーションを行う。 画像リアリズムを改善するためのSIM2real Translation Networkを提案する。 我々のユーザビリティ実験は、sim2realデータにより、トレーニングデータを増強し、セグメンテーションアルゴリズムの性能を高める可能性があることを示唆している。
• 参考スコア（独自算出の注目度）: 0.4433315630787158
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: There has been considerable interest in the MR physics-based simulation of a database of virtual cardiac MR images for the development of deep-learning analysis networks. However, the employment of such a database is limited or shows suboptimal performance due to the realism gap, missing textures, and the simplified appearance of simulated images. In this work we 1) provide image simulation on virtual XCAT subjects with varying anatomies, and 2) propose sim2real translation network to improve image realism. Our usability experiments suggest that sim2real data exhibits a good potential to augment training data and boost the performance of a segmentation algorithm.
• Abstract（参考訳）: 深層学習解析ネットワーク構築のための仮想心臓MR画像データベースのMR物理に基づくシミュレーションには,かなりの関心が寄せられている。 しかし,そのようなデータベースの利用は限られているか,現実感のギャップやテクスチャの欠如,シミュレーション画像の簡易な外観などにより,準最適性能を示す。 この作品では 1) 解剖学的に異なる仮想XCAT被験者に画像シミュレーションを提供し、 2) 画像リアリズムを改善するための sim2real Translation Network を提案する。 ユーザビリティ実験から,sim2realデータにはトレーニングデータの強化とセグメンテーションアルゴリズムの性能向上が期待できる可能性が示唆された。

関連論文リスト

• SimMAT: Exploring Transferability from Vision Foundation Models to Any Image Modality [136.82569085134554]
  大量のデータを訓練するChatGPTやSoraのような基礎的なモデルは、革命的な社会的影響をもたらしている。 様々な分野のセンサーが、同じ規模の自然画像を集め、強力な基礎モデルを訓練することは極めて困難である。 この研究は、自然のRGB画像に基づいて訓練された視覚基盤モデルから、異なる物理特性の他の画像モダリティへの転送可能性という、オープンな問題を研究するための、シンプルで効果的なフレームワークであるSimMATを提示する。
  論文  参考訳（メタデータ） (2024-09-12T14:38:21Z)
• X-Fake: Juggling Utility Evaluation and Explanation of Simulated SAR Images [49.546627070454456]
  実データと模擬データの分散不整合性は、シミュレーションSAR画像の有用性に影響を与える主な障害である。 本稿では,X-Fake で表されるSAR画像の擬似的な説明を初めて行うことで,信頼性の高い実用性評価フレームワークを提案する。 提案手法は、電磁モデルから得られた4つのシミュレーションSAR画像データセットと、生成人工知能アプローチに基づいて検証される。
  論文  参考訳（メタデータ） (2024-07-28T09:27:53Z)
• Near-realtime Facial Animation by Deep 3D Simulation Super-Resolution [7.14576106770047]
  本稿では,低コストでリアルタイムな物理シミュレーションによって生み出す顔のパフォーマンスを効率よく,現実的に向上させるニューラルネットワークに基づくシミュレーションフレームワークを提案する。 顔のアニメーションをこのようなシミュレーション領域の例に用いて,2つのシミュレータで同じ筋の運動制御と骨格のポーズを単純にダイヤルすることで,この意味の一致を創り出すことができる。 提案するニューラルネットワーク超解像フレームワークは,このトレーニングセットから未確認表現を一般化し,リアルタイム変種における解像度の制限やコスト削減近似による2つのシミュレーション間の不一致をモデル化するための補償を行うとともに,意味記述子やパラメータを必要としない。
  論文  参考訳（メタデータ） (2023-05-05T00:09:24Z)
• Translating Simulation Images to X-ray Images via Multi-Scale Semantic Matching [16.175115921436582]
  本稿では,血管内シミュレータからX線画像へのシミュレーション画像の変換手法を提案する。 入力画像と生成画像が同じ位置意味関係を持つことを保証するために,自己ドメイン意味マッチングを適用した。 提案手法は, 現実的なX線画像を生成し, 最先端のアプローチを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-04-16T04:49:46Z)
• AptSim2Real: Approximately-Paired Sim-to-Real Image Translation [8.208569626646035]
  Sim-to-real Transferは、シミュレーションされた画像を修正して、現実世界のデータにマッチさせる。 AptSim2Realは、シミュレーターが照明、環境、コンポジションの点で現実世界のシーンに似たシーンをゆるやかに生成できるという事実を活用している。 FIDスコアは最大で24%向上し, 質的, 定量的な改善が得られた。
  論文  参考訳（メタデータ） (2023-03-09T06:18:44Z)
• A Lightweight Machine Learning Pipeline for LiDAR-simulation [8.18203294574182]
  より現実的なLiDARシミュレーションのための軽量なアプローチを提案する。 中心となる考え方は、シミュレーションを画像から画像への変換問題にキャストすることである。 この戦略により、センサー固有の、高価で複雑なLiDAR物理シミュレーションを省略することができる。
  論文  参考訳（メタデータ） (2022-08-05T12:45:53Z)
• DSSIM: a structural similarity index for floating-point data [68.8204255655161]
  我々は、データSSIM(DSSIM)と呼ばれる浮動小数点データに直接適用可能な、人気のあるSSIMの代替案を提案する。 DSSIMは,大量のシミュレーションデータに対する圧縮損失による差分評価の文脈において有用性を示す一方で,シミュレーションや画像データを含む他の多くのアプリケーションにおいて有用であることを示す。
  論文  参考訳（メタデータ） (2022-02-05T19:18:33Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)
• ML-SIM: A deep neural network for reconstruction of structured illumination microscopy images [0.0]
  構造照明顕微鏡 (SIM) は, 光学超高分解能イメージングにおいて重要な技術となっている。 本稿では機械学習を利用した多目的再構成手法ML-SIMを提案する。 したがって、ML-SIMは生のSIM入力フレームの照明パターンにおけるノイズや不規則に対して堅牢である。
  論文  参考訳（メタデータ） (2020-03-24T18:42:23Z)

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。