論文の概要: RBP-DIP: High-Quality CT Reconstruction Using an Untrained Neural
Network with Residual Back Projection and Deep Image Prior
- arxiv url: http://arxiv.org/abs/2210.14416v1
- Date: Wed, 26 Oct 2022 01:58:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 13:55:23.517831
- Title: RBP-DIP: High-Quality CT Reconstruction Using an Untrained Neural
Network with Residual Back Projection and Deep Image Prior
- Title（参考訳）: RBP-DIP:Residual Back ProjectionとDeep Image Priorによる非拘束ニューラルネットワークを用いた高画質CT再構成
- Authors: Ziyu Shu and Alireza Entezari
- Abstract要約: 本稿では,Deep Image Prior(DIP)とRBP接続に基づく新しいフレームワーク(RBP-DIP)を提案する。
提案するフレームワークは、トレーニングデータやトレーニングプロセスを必要としないため、反復再構成(IR)アルゴリズムに近い。
実験の結果,提案手法は従来の手法よりも大幅に改善されていることがわかった。
- 参考スコア（独自算出の注目度）: 4.111899441919163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural network related methods, due to their unprecedented success in image
processing, have emerged as a new set of tools in CT reconstruction with the
potential to change the field. However, the lack of high-quality training data
and theoretical guarantees, together with increasingly complicated network
structures, make its implementation impractical. In this paper, we present a
new framework (RBP-DIP) based on Deep Image Prior (DIP) and a special residual
back projection (RBP) connection to tackle these challenges. Comparing to other
pre-trained neural network related algorithms, the proposed framework is closer
to an iterative reconstruction (IR) algorithm as it requires no training data
or training process. In that case, the proposed framework can be altered (e.g,
different hyperparameters and constraints) on demand, adapting to different
conditions (e.g, different imaged objects, imaging instruments, and noise
levels) without retraining. Experiments show that the proposed framework has
significant improvements over other state-of-the-art conventional methods, as
well as pre-trained and untrained models with similar network structures,
especially under sparse-view, limited-angle, and low-dose conditions.
- Abstract（参考訳）: 画像処理における前例のない成功により、ニューラルネットワーク関連の手法が、CT再構成における新しいツールセットとして登場し、フィールドを変更する可能性がある。
しかし、高品質なトレーニングデータや理論的な保証が欠如しており、ネットワーク構造も複雑化しており、実装は現実的ではない。
本稿では,Deep Image Prior(DIP)に基づく新しいフレームワーク(RBP-DIP)と,これらの課題に対処するためのRBP接続を提案する。
他のトレーニング済みニューラルネットワーク関連アルゴリズムと比較して、提案フレームワークはトレーニングデータやトレーニングプロセスを必要としないため、反復再構成(IR)アルゴリズムに近い。
その場合、提案するフレームワークは、必要に応じて(例えば、異なるハイパーパラメータや制約など)変更可能であり、異なる条件(例えば、異なる画像オブジェクト、イメージング機器、ノイズレベル)に対応できる。
実験により,提案手法は従来手法と類似のネットワーク構造を持つ事前学習モデル,特にスパースビュー,リミテッドアングル,低線量条件下での事前学習モデルよりも大幅に改善されていることが示された。
関連論文リスト
- Analysis of Deep Image Prior and Exploiting Self-Guidance for Image
Reconstruction [13.277067849874756]
DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。
ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。
提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
論文 参考訳（メタデータ） (2024-02-06T15:52:23Z) - Enhancing Low-dose CT Image Reconstruction by Integrating Supervised and
Unsupervised Learning [13.17680480211064]
X線CT画像再構成のためのハイブリッド教師なし学習フレームワークを提案する。
提案された各訓練ブロックは、決定論的MBIRソルバとニューラルネットワークで構成されている。
限られた訓練データを用いた低用量CT画像再構成における本学習ハイブリッドモデルの有効性を実証する。
論文 参考訳（メタデータ） (2023-11-19T20:23:59Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Uncertainty-Aware Null Space Networks for Data-Consistent Image
Reconstruction [0.0]
近年の深層学習の進歩をもとに,最先端の再構築手法が開発されている。
医用画像などの安全クリティカルな領域で使用するためには, ネットワーク再構築は, 利用者に再構成画像を提供するだけでなく, ある程度の信頼を得る必要がある。
この研究は、入力依存のスケールマップを推定することによって、データ依存の不確実性をモデル化する逆問題に対する最初のアプローチである。
論文 参考訳（メタデータ） (2023-04-14T06:58:44Z) - Learning Transformer Features for Image Quality Assessment [53.51379676690971]
本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。
提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
論文 参考訳（メタデータ） (2021-12-01T13:23:00Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Unsupervised Knowledge-Transfer for Learned Image Reconstruction [4.183935970343543]
ベイジアンフレームワーク内での反復的再構築を学習するための,教師なしの知識伝達パラダイムを新たに開発する。
提案手法は,視覚だけでなく,PSNRやSSIMの量的にも再現性を大幅に向上することを示す。
論文 参考訳（メタデータ） (2021-07-06T12:19:16Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳（メタデータ） (2020-05-20T11:11:47Z) - BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。
提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-11T17:09:12Z)
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。