論文の概要: NeurEPDiff: Neural Operators to Predict Geodesics in Deformation Spaces
- arxiv url: http://arxiv.org/abs/2303.07115v1
- Date: Mon, 13 Mar 2023 13:47:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 14:51:30.855228
- Title: NeurEPDiff: Neural Operators to Predict Geodesics in Deformation Spaces
- Title(参考訳): NeurEPDiff: 変形空間における測地線予測のためのニューラル演算子
- Authors: Nian Wu and Miaomiao Zhang
- Abstract要約: NeurEPDiffは、オイラー・ポアンカー微分方程式(EPDiff)によって生成された変形空間の測地線を高速に予測する新しいネットワークである。
2次元合成データと3次元脳共鳴画像(MRI)の2つの画像データセットの登録におけるNeurEPDiffの有効性を実証する。
- 参考スコア(独自算出の注目度): 4.721069729610892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents NeurEPDiff, a novel network to fast predict the geodesics
in deformation spaces generated by a well known Euler-Poincar\'e differential
equation (EPDiff). To achieve this, we develop a neural operator that for the
first time learns the evolving trajectory of geodesic deformations
parameterized in the tangent space of diffeomorphisms(a.k.a velocity fields).
In contrast to previous methods that purely fit the training images, our
proposed NeurEPDiff learns a nonlinear mapping function between the
time-dependent velocity fields. A composition of integral operators and smooth
activation functions is formulated in each layer of NeurEPDiff to effectively
approximate such mappings. The fact that NeurEPDiff is able to rapidly provide
the numerical solution of EPDiff (given any initial condition) results in a
significantly reduced computational cost of geodesic shooting of
diffeomorphisms in a high-dimensional image space. Additionally, the properties
of discretiztion/resolution-invariant of NeurEPDiff make its performance
generalizable to multiple image resolutions after being trained offline. We
demonstrate the effectiveness of NeurEPDiff in registering two image datasets:
2D synthetic data and 3D brain resonance imaging (MRI). The registration
accuracy and computational efficiency are compared with the state-of-the-art
diffeomophic registration algorithms with geodesic shooting.
- Abstract(参考訳): 本稿では、よく知られたオイラー・ポアンカーの微分方程式(EPDiff)によって生成される変形空間の測地線を高速に予測する新しいネットワークNeurEPDiffを提案する。
これを実現するために, 微分同相写像(速度場)の接空間でパラメータ化された測地線変形の進行軌道を初めて学習するニューラル演算子を開発した。
トレーニング画像に純粋に適合する従来の手法とは対照的に,提案したNeurEPDiffは時間依存速度場間の非線形マッピング関数を学習する。
積分作用素と滑らかな活性化関数の合成をNeurEPDiffの各層で定式化し、そのような写像を効果的に近似する。
NeurEPDiffがEPDiffの数値解を迅速に提供できるという事実は、高次元画像空間における微分同相の測地線撮影の計算コストを大幅に削減する。
さらに、NeurEPDiffの離散/分解不変性は、オフラインでトレーニングされた後の複数の画像解像度にその性能を一般化できるようにする。
2次元合成データと3次元脳共鳴画像(MRI)の2つの画像データセットの登録におけるNeurEPDiffの有効性を示す。
登録精度と計算効率は、現在最先端の微分登録アルゴリズムと測地撮影を比較した。
関連論文リスト
- Variational Bayes image restoration with compressive autoencoders [6.19720816604054]
逆問題の正規化は、計算イメージングにおいて最重要となる。
本稿では,変分ベイズ潜時推定(VBLE)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-11-29T15:49:31Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳(メタデータ) (2023-09-01T16:59:21Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - Fast-SNARF: A Fast Deformer for Articulated Neural Fields [92.68788512596254]
本稿では,標準空間とポーズ空間の正確な対応性を求める,ニューラルフィールドのための新しい調音モジュールFast-SNARFを提案する。
Fast-SNARFはこれまでの研究であるSNARFの代替であり、計算効率は大幅に向上した。
変形マップの学習は多くの3次元人間のアバター法において重要な要素であるため、この研究は3次元仮想人間の実現に向けた重要なステップであると考えている。
論文 参考訳(メタデータ) (2022-11-28T17:55:34Z) - Holographic-(V)AE: an end-to-end SO(3)-Equivariant (Variational)
Autoencoder in Fourier Space [0.0]
グループ同変ニューラルネットワークは、分類と回帰タスクを解決するためのデータ効率のよいアプローチとして登場した。
本稿では,Fourier空間におけるホログラフィックオートエンコーダについて述べる。
学習した潜在空間は、球面画像の分類的特徴を効率的に符号化する。
論文 参考訳(メタデータ) (2022-09-30T16:25:20Z) - Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。
本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。
次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
論文 参考訳(メタデータ) (2021-09-26T19:56:45Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳(メタデータ) (2021-06-17T12:25:44Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳(メタデータ) (2021-02-16T04:07:13Z) - Deep Learning for Regularization Prediction in Diffeomorphic Image
Registration [8.781861951759948]
微分同相変換の滑らかさを制御するパラメータを自動的に決定する新しいフレームワークを導入する。
画像登録の正規化パラメータとペア画像間のマッピングを学習する深層畳み込みニューラルネットワーク(CNN)に基づく予測モデルを開発した。
実験結果から,本モデルは画像登録のための適切な正規化パラメータを予測できるだけでなく,時間とメモリ効率の面でネットワークトレーニングを改善することが示唆された。
論文 参考訳(メタデータ) (2020-11-28T22:56:44Z) - Fast Symmetric Diffeomorphic Image Registration with Convolutional
Neural Networks [11.4219428942199]
本稿では,新しい非教師付き対称画像登録手法を提案する。
大規模脳画像データセットを用いた3次元画像登録法について検討した。
論文 参考訳(メタデータ) (2020-03-20T22:07:24Z)
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。