論文の概要: Deep Learning based Super-Resolution for Medical Volume Visualization with Direct Volume Rendering

• arxiv url: http://arxiv.org/abs/2210.08080v1
• Date: Fri, 14 Oct 2022 19:58:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 18:00:40.086316
• Title: Deep Learning based Super-Resolution for Medical Volume Visualization with Direct Volume Rendering
• Title（参考訳）: 直接ボリュームレンダリングによる医用ボリューム可視化のためのディープラーニングによる超解法
• Authors: Sudarshan Devkota, Sumanta Pattanaik
• Abstract要約: 近年のディープラーニングによる画像とビデオの超解像技術は,低解像度でレンダリングされたフレームの高忠実化アップスケーリングのために,そのようなネットワークを高解像度に研究する動機となっている。 提案システムでは,カラー情報とボリュームから収集した他の医療的特徴を併用して,高解像度空間への低解像度レンダリングの効率的なアップスケーリングを学習する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern-day display systems demand high-quality rendering. However, rendering at higher resolution requires a large number of data samples and is computationally expensive. Recent advances in deep learning-based image and video super-resolution techniques motivate us to investigate such networks for high-fidelity upscaling of frames rendered at a lower resolution to a higher resolution. While our work focuses on super-resolution of medical volume visualization performed with direct volume rendering, it is also applicable for volume visualization with other rendering techniques. We propose a learning-based technique where our proposed system uses color information along with other supplementary features gathered from our volume renderer to learn efficient upscaling of a low-resolution rendering to a higher-resolution space. Furthermore, to improve temporal stability, we also implement the temporal reprojection technique for accumulating history samples in volumetric rendering.
• Abstract（参考訳）: 現代のディスプレイシステムは高品質なレンダリングを必要とする。 しかし、高解像度のレンダリングには大量のデータサンプルが必要であり、計算コストがかかる。 近年のディープラーニングによる画像とビデオの超解像技術は,低解像度でレンダリングされたフレームの高忠実化アップスケーリングのために,そのようなネットワークを高解像度に研究する動機となっている。 本研究は,直接ボリュームレンダリングによる医用ボリューム可視化の超解像に焦点をあてる一方で,他のレンダリング技術によるボリューム可視化にも応用できる。 提案手法では,カラー情報とボリュームレンダラーから収集した他の補足機能を用いて,高解像度空間への低解像度レンダリングの効率的なアップスケーリングを学習する。 さらに,時間安定性を向上させるため,ボリュームレンダリングにおける履歴サンプル蓄積のための時間的再投影手法も実装した。

関連論文リスト

• Perceptually Optimized Super Resolution [7.728090438152828]
  超高解像度技術における視覚的品質と効率を制御するために,知覚にインスパイアされ,アーキテクチャに依存しない手法を提案する。 コアは知覚モデルであり、画像の詳細に対する人間の感度に応じて動的に超解像法を導く。 本稿では,ネットワーク分岐とネットワーク複雑性の低減を併用して提案手法の適用を実証し,可視品質損失を伴わない超解像法の計算効率の向上を図った。
  論文  参考訳（メタデータ） (2024-11-26T15:24:45Z)
• Auxiliary Features-Guided Super Resolution for Monte Carlo Rendering [8.54858933529271]
  レンダリングするピクセル数を削減し、モンテカルロレンダリングアルゴリズムを高速化する超解像度。 我々は高分解能補助機能を利用して低分解能レンダリングの超分解能を導出する。 提案手法は,高精細化における高精細化法とモンテカルロデノナイジング法の両方に優れることがわかった。
  論文  参考訳（メタデータ） (2023-10-20T02:45:13Z)
• ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with Diffusion Models [126.35334860896373]
  本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。 注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。 本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T17:52:39Z)
• Super-Resolving Face Image by Facial Parsing Information [52.1267613768555]
  顔超解像は、低解像度の顔画像を対応する高解像度の画像に変換する技術である。 我々は,低解像度の顔画像から先行する顔を抽出する,新しい解析マップ付き顔超解像ネットワークを構築した。 高解像度特徴はより正確な空間情報を含み、低解像度特徴は強い文脈情報を提供する。
  論文  参考訳（メタデータ） (2023-04-06T08:19:03Z)
• FoVolNet: Fast Volume Rendering using Foveated Deep Neural Networks [33.489890950757975]
  FoVolNetはボリュームデータ可視化の性能を大幅に向上させる手法である。 我々は、焦点付近のボリュームを疎結合にサンプリングし、ディープニューラルネットワークを用いてフルフレームを再構築する、費用対効果の高いフェーベレートレンダリングパイプラインを開発した。
  論文  参考訳（メタデータ） (2022-09-20T19:48:56Z)
• Efficient High-Resolution Deep Learning: A Survey [90.76576712433595]
  スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。 このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。 ディープラーニングモデルの直接入力として高解像度の画像とビデオを使用することで、パラメータの多さ、計算コスト、推論レイテンシ、GPUメモリ使用量など、多くの課題が生じる。 文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限に従いながら精度とスピードを改善するために、より良い代替案を提案する。
  論文  参考訳（メタデータ） (2022-07-26T17:13:53Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• Deep Direct Volume Rendering: Learning Visual Feature Mappings From Exemplary Images [57.253447453301796]
  本稿では,ディープ・ダイレクト・ボリューム・レンダリング(Deep Direct Volume Rendering,DVR)を導入し,ディープ・ニューラル・ネットワークをDVRアルゴリズムに統合する。 潜在色空間におけるレンダリングを概念化し、深層アーキテクチャを用いて特徴抽出と分類のための暗黙マッピングを学習できるようにする。 我々の一般化は、画像空間の例から直接エンドツーエンドにトレーニングできる新しいボリュームレンダリングアーキテクチャを導き出すのに役立つ。
  論文  参考訳（メタデータ） (2021-06-09T23:03:00Z)
• Zoom-to-Inpaint: Image Inpainting with High-Frequency Details [39.582275854002994]
  高分解能で精錬し、出力を元の解像度に縮小する超解像法を提案します。 精細化ネットワークに高精細画像を導入することで、スペクトルバイアスによって通常滑らかになる細部を再構築することができる。 当社のズームイン、精緻化、ズームアウト戦略は、高解像度の監視とプログレッシブラーニングと組み合わせることで、高周波の詳細を高めるためのフレームワークに依存しないアプローチを構成します。
  論文  参考訳（メタデータ） (2020-12-17T05:39:37Z)
• Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
  畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。 ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。 提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
  論文  参考訳（メタデータ） (2020-03-15T11:04:30Z)

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。