論文の概要: Multi-Scale Structural-aware Exposure Correction for Endoscopic Imaging
- arxiv url: http://arxiv.org/abs/2210.15033v1
- Date: Wed, 26 Oct 2022 21:04:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 15:22:55.613620
- Title: Multi-Scale Structural-aware Exposure Correction for Endoscopic Imaging
- Title（参考訳）: 内視鏡画像におけるマルチスケール構造認識露光補正
- Authors: Axel Garcia-Vega, Ricardo Espinosa, Luis Ramirez-Guzman, Thomas Bazin,
Luis Falcon-Morales, Gilberto Ochoa-Ruiz, Dominique Lamarque and Christian
Daul
- Abstract要約: このコントリビューションはLMSPECの目的関数の拡張であり、これはもともと自然のシーンからの画像を強化するために導入された方法である。
ここでは、内視鏡画像における露出補正と構造情報の保存に使用される。
Endo4IEデータセット上でテストされ、提案された実装は、オーバーエクスプロイトされた画像に対してそれぞれ4.40%と4.21%のSSIM増加を得た。
- 参考スコア（独自算出の注目度）: 0.879504058268139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Endoscopy is the most widely used imaging technique for the diagnosis of
cancerous lesions in hollow organs. However, endoscopic images are often
affected by illumination artefacts: image parts may be over- or underexposed
according to the light source pose and the tissue orientation. These artifacts
have a strong negative impact on the performance of computer vision or AI-based
diagnosis tools. Although endoscopic image enhancement methods are greatly
required, little effort has been devoted to over- and under-exposition
enhancement in real-time. This contribution presents an extension to the
objective function of LMSPEC, a method originally introduced to enhance images
from natural scenes. It is used here for the exposure correction in endoscopic
imaging and the preservation of structural information. To the best of our
knowledge, this contribution is the first one that addresses the enhancement of
endoscopic images using deep learning (DL) methods. Tested on the Endo4IE
dataset, the proposed implementation has yielded a significant improvement over
LMSPEC reaching a SSIM increase of 4.40% and 4.21% for over- and underexposed
images, respectively.
- Abstract（参考訳）: 内視鏡検査は中空臓器の癌性病変の診断に最も広く用いられるイメージング技術である。
しかし、内視鏡画像は、しばしば照明アーチファクトの影響を受けており、光源のポーズや組織方向に応じて、画像部品は過度または過度に露出することがある。
これらのアーティファクトは、コンピュータビジョンやAIベースの診断ツールのパフォーマンスに強いネガティブな影響を与える。
内視鏡的画像強調法は非常に要求されるが, 実時間での過剰・低表示強調にはほとんど努力が払われていない。
この貢献は、元々自然シーンからのイメージを強化するために導入されたメソッドであるlmspecの目的関数の拡張を示している。
ここでは、内視鏡画像における露出補正と構造情報の保存に使用される。
私たちの知る限りでは、この貢献は、深層学習(dl)法を用いた内視鏡画像の強化に取り組む最初のものとなります。
Endo4IEデータセットでテストした結果、提案された実装はLMSPECよりも大幅に改善され、オーバー露光画像ではSSIMが4.40%、オーバー露光画像では4.21%増加した。
関連論文リスト
- BrightVAE: Luminosity Enhancement in Underexposed Endoscopic Images [6.687072439993227]
過度に露出した内視鏡画像は、コントラストの低下と不均一な明るさに悩まされることが多い。
階層型ベクトル量子変分オートエンコーダ(階層型VQ-VAE)に基づくアーキテクチャであるBrightVAEを紹介する。
私たちのアーキテクチャは、内視鏡画像に固有のユニークな課題に取り組むために慎重に設計されています。
論文 参考訳（メタデータ） (2024-11-22T01:41:27Z) - Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。
それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。
以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文 参考訳（メタデータ） (2024-11-12T01:17:27Z) - EndoUIC: Promptable Diffusion Transformer for Unified Illumination Correction in Capsule Endoscopy [17.075996698542035]
本稿では,エンド・ツー・エンド・エンド・エンド・プロンサブル拡散トランスフォーマ(DiT)モデルを用いたWCE統合照明補正ソリューションであるEndoUICを紹介する。
我々の研究では、照明プロンプトモジュールは、異なる露光レベルに適応し、ターゲット画像の強調を行うためにモデルをナビゲートする。
本稿では,専門写真家が注釈を付した地上構造と劣化画像のペアを含む,新しいカプセル・内視鏡露光補正データセットを提案する。
論文 参考訳（メタデータ） (2024-06-19T16:58:28Z) - FLex: Joint Pose and Dynamic Radiance Fields Optimization for Stereo Endoscopic Videos [79.50191812646125]
内視鏡的シーンの再構築は、外科手術後の分析から教育訓練まで、様々な医療応用にとって重要な要素である。
変形組織の非常にダイナミックな環境下での移動内視鏡の挑戦的なセットアップに着目する。
複数重重なり合う4次元ニューラルラジアンスフィールド(NeRF)への暗黙的なシーン分離と、再構成とカメラのスクラッチからのポーズを協調的に最適化するプログレッシブ最適化手法を提案する。
これにより、使いやすさが向上し、5000フレーム以上の手術ビデオの処理に間に合うように復元能力を拡張できる。
論文 参考訳（メタデータ） (2024-03-18T19:13:02Z) - Low-Dose CT Image Enhancement Using Deep Learning [0.0]
電離放射線の少ない線量、特にCT(Computerd tomography)イメージングシステムでの使用が好ましい。
CT画像における放射線線量削減の一般的な方法は、クォータードーズ法として知られている。
近年のディープラーニングアプローチは、低用量アーティファクトのイメージ強化に興味深い可能性をもたらしている。
論文 参考訳（メタデータ） (2023-10-31T08:34:33Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Learning How To Robustly Estimate Camera Pose in Endoscopic Videos [5.073761189475753]
カメラポーズ推定における2つの幾何学的損失を最小限に抑えるために,奥行きと光学的流れを推定するステレオ内視鏡の解を提案する。
最も重要なことは、入力画像の内容に応じてコントリビューションのバランスをとるために、2つの学習された画素単位の重みマッピングを導入することである。
パブリックなSCAREDデータセットに対する我々のアプローチを検証するとともに、新たなインビボデータセットであるStereoMISを導入しています。
論文 参考訳（メタデータ） (2023-04-17T07:05:01Z) - A Novel Hybrid Endoscopic Dataset for Evaluating Machine Learning-based
Photometric Image Enhancement Models [0.9236074230806579]
本研究は, 生成逆数的手法により生成される新しい合成データ集合を導入する。
また、過度の露光および過度の露光条件において、浅いベースと深層学習に基づく画像強調法の両方を探索する。
論文 参考訳（メタデータ） (2022-07-06T01:47:17Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Single-shot Hyperspectral-Depth Imaging with Learned Diffractive Optics [72.9038524082252]
単発単眼単眼ハイパースペクトル(HS-D)イメージング法を提案する。
本手法では, 回折光学素子 (DOE) を用いる。
DOE の学習を容易にするため,ベンチトップ HS-D イメージラーを構築することで,最初の HS-D データセットを提案する。
論文 参考訳（メタデータ） (2020-09-01T14:19:35Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z)
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。