Fugu-MT 論文翻訳(概要): Sliding at first order: Higher-order momentum distributions for discontinuous image registration

論文の概要: Sliding at first order: Higher-order momentum distributions for discontinuous image registration

arxiv url: http://arxiv.org/abs/2303.07744v1
Date: Tue, 14 Mar 2023 09:42:49 GMT
ステータス: 翻訳完了
システム内更新日: 2023-03-15 15:38:43.431318
Title: Sliding at first order: Higher-order momentum distributions for discontinuous image registration
Title（参考訳）: 1次スライディング:不連続画像登録のための高次運動量分布
Authors: Lili Bao, Jiahao Lu, Shihui Ying, Stefan Sommer
Abstract要約: そこで本研究では,すべり動作をキャプチャする変形可能な画像登録手法を提案する。大規模変形微分型メートル法 (LDDMM) の登録法は, 平滑な反りを生じるため, すべり運動の表現が困難である。
参考スコア（独自算出の注目度）: 5.987650121126747
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a new approach to deformable image registration that captures sliding motions. The large deformation diffeomorphic metric mapping (LDDMM) registration method faces challenges in representing sliding motion since it per construction generates smooth warps. To address this issue, we extend LDDMM by incorporating both zeroth- and first-order momenta with a non-differentiable kernel. This allows to represent both discontinuous deformation at switching boundaries and diffeomorphic deformation in homogeneous regions. We provide a mathematical analysis of the proposed deformation model from the viewpoint of discontinuous systems. To evaluate our approach, we conduct experiments on both artificial images and the publicly available DIR-Lab 4DCT dataset. Results show the effectiveness of our approach in capturing plausible sliding motion.
Abstract（参考訳）: 本稿では,スライディング動作をキャプチャする変形可能な画像登録手法を提案する。 large deformation diffeomorphic metric mapping (lddmm) の登録手法は,スライディング動作を表現する際の課題に直面している。この問題に対処するため、ゼロと1階のモータを非微分可能なカーネルに組み込むことで LDDMM を拡張した。これにより、スイッチング境界における不連続な変形と均質領域における微分同相変形の両方を表現することができる。不連続系の観点から,提案した変形モデルの数学的解析を行う。提案手法を評価するため,DIR-Lab 4DCTデータセットと人工画像を用いた実験を行った。以上の結果から,本手法の有効性が示唆された。

関連論文リスト

In-2-4D: Inbetweening from Two Single-View Images to 4D Generation [54.62824686338408]
最小限の入力設定からSplatingにおける生成4D(すなわち3D + Motion)のための新しい問題In-between2-4Dを提案する。動作中の物体の開始状態と終了状態を表す2つの画像が与えられた場合、我々のゴールは4Dで動きを生成・再構成することである。
論文参考訳（メタデータ） (2025-04-11T09:01:09Z)
Motion2VecSets: 4D Latent Vector Set Diffusion for Non-rigid Shape Reconstruction and Tracking [52.393359791978035]
Motion2VecSetsは点雲列からの動的表面再構成のための4次元拡散モデルである。グローバルな潜在符号の代わりに、潜在集合で4Dダイナミクスをパラメータ化する。時間的コヒーレントな物体追跡のために、変形潜在集合を同期的に認知し、複数のフレーム間で情報を交換する。
論文参考訳（メタデータ） (2024-01-12T15:05:08Z)
DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文参考訳（メタデータ） (2023-12-05T18:59:41Z)
IMPUS: Image Morphing with Perceptually-Uniform Sampling Using Diffusion Models [24.382275473592046]
知覚一様サンプリング(IMPUS)を用いた拡散型画像形成手法を提案する。 IMPUSは画像対を与えられた滑らかで直接的で現実的な適応を生成する。
論文参考訳（メタデータ） (2023-11-12T10:03:32Z)
SE(3) Diffusion Model-based Point Cloud Registration for Robust 6D Object Pose Estimation [66.16525145765604]
実世界のシナリオにおける6次元オブジェクトポーズ推定のためのSE(3)拡散モデルに基づく点クラウド登録フレームワークを提案する。提案手法は,3次元登録タスクをデノナイズ拡散過程として定式化し,音源雲の姿勢を段階的に洗練する。実世界のTUD-L, LINEMOD, およびOccluded-LINEMODデータセットにおいて, 拡散登録フレームワークが顕著なポーズ推定性能を示すことを示す。
論文参考訳（メタデータ） (2023-10-26T12:47:26Z)
Improving Misaligned Multi-modality Image Fusion with One-stage Progressive Dense Registration [67.23451452670282]
多モード画像間の相違は、画像融合の課題を引き起こす。マルチスケールプログレッシブ・センス・レジストレーション方式を提案する。このスキームは、一段階最適化のみで粗大な登録を行う。
論文参考訳（メタデータ） (2023-08-22T03:46:24Z)
Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
論文参考訳（メタデータ） (2022-10-17T08:02:33Z)
DiffuseMorph: Unsupervised Deformable Image Registration Along Continuous Trajectory Using Diffusion Models [31.826844124173984]
DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。本モデルは,動画像と固定画像の変形のスコア関数を学習する。本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
論文参考訳（メタデータ） (2021-12-09T08:41:23Z)
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)
Image Deformation Estimation via Multi-Objective Optimization [13.159751065619544]
自由形変形モデルは、画像上の制御点格子を操作することにより、幅広い非剛体変形を表現することができる。フィットネスランドスケープの複雑さのため,変形画像にモデルを直接適合させることは困難である。
論文参考訳（メタデータ） (2021-06-08T06:52:12Z)
A method for large diffeomorphic registration via broken geodesics [3.2188961353850187]
長手データやオブジェクト間データに見られる解剖学的変動は通常、下層の変形によって記述される。非剛性登録アルゴリズムは広く登録に使われている。小変形の有限組成に大変形を分解する手法を提案する。
論文参考訳（メタデータ） (2020-11-29T06:14:53Z)
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)

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。