論文の概要: Optimizing CT Scan Geometries With and Without Gradients
- arxiv url: http://arxiv.org/abs/2302.06251v1
- Date: Mon, 13 Feb 2023 10:44:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 15:56:51.345733
- Title: Optimizing CT Scan Geometries With and Without Gradients
- Title（参考訳）: グラディエントを伴わないCTスキャンジオメトリの最適化
- Authors: Mareike Thies, Fabian Wagner, Noah Maul, Laura Pfaff, Linda-Sophie
Schneider, Christopher Syben, Andreas Maier
- Abstract要約: 勾配に基づく最適化アルゴリズムが、勾配のないアルゴリズムの代替となる可能性が示されている。
勾配に基づくアルゴリズムは、捕捉範囲と自由パラメータの数に対するロバスト性の観点から、勾配のないアルゴリズムに匹敵する一方で、かなり高速に収束する。
- 参考スコア（独自算出の注目度）: 7.788823739816626
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In computed tomography (CT), the projection geometry used for data
acquisition needs to be known precisely to obtain a clear reconstructed image.
Rigid patient motion is a cause for misalignment between measured data and
employed geometry. Commonly, such motion is compensated by solving an
optimization problem that, e.g., maximizes the quality of the reconstructed
image with respect to the projection geometry. So far, gradient-free
optimization algorithms have been utilized to find the solution for this
problem. Here, we show that gradient-based optimization algorithms are a
possible alternative and compare the performance to their gradient-free
counterparts on a benchmark motion compensation problem. Gradient-based
algorithms converge substantially faster while being comparable to
gradient-free algorithms in terms of capture range and robustness to the number
of free parameters. Hence, gradient-based optimization is a viable alternative
for the given type of problems.
- Abstract（参考訳）: CT(Computerd tomography)では、データ取得に使用する投影形状を正確に把握し、明確な再構成画像を得る必要がある。
硬い患者の動きは、測定されたデータと使用済みの幾何学の間の不一致の原因である。
一般に、そのような動きは、例えば、投影幾何学に関する再構成画像の品質を最大化する最適化問題を解くことで補償される。
これまでのところ、勾配のない最適化アルゴリズムはこの問題の解を見つけるために利用されてきた。
本稿では,グラデーションに基づく最適化アルゴリズムが代替案となりうることを示し,ベンチマーク動作補償問題において,グラデーションフリーのアルゴリズムと比較する。
勾配に基づくアルゴリズムは、キャプチャ範囲やロバスト性から自由パラメータ数まで、勾配フリーアルゴリズムに匹敵する一方で、かなり高速に収束する。
したがって、勾配に基づく最適化は与えられた種類の問題に対して実行可能な代替となる。
関連論文リスト
- Differentially Private Optimization with Sparse Gradients [60.853074897282625]
微分プライベート(DP)最適化問題を個人勾配の空間性の下で検討する。
これに基づいて、スパース勾配の凸最適化にほぼ最適な速度で純粋および近似DPアルゴリズムを得る。
論文 参考訳（メタデータ） (2024-04-16T20:01:10Z) - Gradient-free neural topology optimization [0.0]
勾配のないアルゴリズムは勾配に基づくアルゴリズムと比較して多くの繰り返しを収束させる必要がある。
これにより、反復1回あたりの計算コストとこれらの問題の高次元性のため、トポロジ最適化では実現不可能となった。
我々は,潜時空間における設計を最適化する場合に,少なくとも1桁の繰り返し回数の減少につながる事前学習型ニューラルリパラメータ化戦略を提案する。
論文 参考訳（メタデータ） (2024-03-07T23:00:49Z) - Efficient and Accurate Optimal Transport with Mirror Descent and
Conjugate Gradients [15.128885770407132]
本研究では, エントロピー的最適輸送, ミラー降下, 共役勾配の文献から, 最適輸送のための新しいアルゴリズムを設計する。
我々のスケーラブルでGPU並列化可能なアルゴリズムは、ワッサースタイン距離を極端精度で計算することができ、数値安定性の問題なく相対誤差レート10～8ドルに達することができる。
論文 参考訳（メタデータ） (2023-07-17T14:09:43Z) - A Variance-Reduced Stochastic Gradient Tracking Algorithm for
Decentralized Optimization with Orthogonality Constraints [7.028225540638832]
直交制約付き分散最適化のための新しいアルゴリズムを提案する。
VRSGTは、サンプリングと通信の複雑さを同時に低減する直交制約付き分散最適化のための最初のアルゴリズムである。
数値実験では、VRGTSは現実の自律的なサンプルにおいて有望な性能を持つ。
論文 参考訳（メタデータ） (2022-08-29T14:46:44Z) - Fast Multi-grid Methods for Minimizing Curvature Energy [6.882141405929301]
平均曲率とガウス曲率エネルギー関数を最小化するための高速マルチグリッドアルゴリズムを提案する。
我々の定式化では人工パラメータは導入されず、提案アルゴリズムの堅牢性を保証する。
画像のテクスチャを復元する能力を実証するために,画像復調とCT再構成の両問題に対して数値実験を行った。
論文 参考訳（メタデータ） (2022-04-17T04:34:38Z) - Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box
Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。
座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文 参考訳（メタデータ） (2020-12-21T17:29:58Z) - Learned Block Iterative Shrinkage Thresholding Algorithm for
Photothermal Super Resolution Imaging [52.42007686600479]
深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。
本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
論文 参考訳（メタデータ） (2020-12-07T09:27:16Z) - An adaptive stochastic gradient-free approach for high-dimensional
blackbox optimization [0.0]
本研究では,高次元非平滑化問題に対する適応勾配フリー (ASGF) アプローチを提案する。
本稿では,グローバルな問題と学習タスクのベンチマークにおいて,本手法の性能について述べる。
論文 参考訳（メタデータ） (2020-06-18T22:47:58Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳（メタデータ） (2020-06-16T13:41:54Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z) - Towards Better Understanding of Adaptive Gradient Algorithms in
Generative Adversarial Nets [71.05306664267832]
適応アルゴリズムは勾配の歴史を用いて勾配を更新し、深層ニューラルネットワークのトレーニングにおいてユビキタスである。
本稿では,非コンケーブ最小値問題に対するOptimisticOAアルゴリズムの変種を解析する。
実験の結果,適応型GAN非適応勾配アルゴリズムは経験的に観測可能であることがわかった。
論文 参考訳（メタデータ） (2019-12-26T22:10:10Z)
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。