論文の概要: Shot Noise Reduction in Radiographic and Tomographic Multi-Channel
Imaging with Self-Supervised Deep Learning
- arxiv url: http://arxiv.org/abs/2303.14429v1
- Date: Sat, 25 Mar 2023 10:33:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 19:41:50.731516
- Title: Shot Noise Reduction in Radiographic and Tomographic Multi-Channel
Imaging with Self-Supervised Deep Learning
- Title（参考訳）: 自己監督型深層学習による放射線・トモグラフィマルチチャネルイメージングにおけるショットノイズ低減
- Authors: Yaroslav Zharov, Evelina Ametova, Rebecca Spiecker, Tilo Baumbach,
Genoveva Burca, Vincent Heuveline
- Abstract要約: ノイズはX線およびトモグラフィーイメージング技術において重要な問題である。
追加の制約が画像当たりのSNR(Signal-to-Noise Ratio)を強く削減するアプリケーションでは特に重要である。
ノイズの多いマルチチャネル(時間またはエネルギー未解決)画像データセットの品質向上手法について報告する。
- 参考スコア（独自算出の注目度）: 0.9786690381850356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Noise is an important issue for radiographic and tomographic imaging
techniques. It becomes particularly critical in applications where additional
constraints force a strong reduction of the Signal-to-Noise Ratio (SNR) per
image. These constraints may result from limitations on the maximum available
flux or permissible dose and the associated restriction on exposure time.
Often, a high SNR per image is traded for the ability to distribute a given
total exposure capacity per pixel over multiple channels, thus obtaining
additional information about the object by the same total exposure time. These
can be energy channels in the case of spectroscopic imaging or time channels in
the case of time-resolved imaging. In this paper, we report on a method for
improving the quality of noisy multi-channel (time or energy-resolved) imaging
datasets. The method relies on the recent Noise2Noise (N2N) self-supervised
denoising approach that learns to predict a noise-free signal without access to
noise-free data. N2N in turn requires drawing pairs of samples from a data
distribution sharing identical signals while being exposed to different samples
of random noise. The method is applicable if adjacent channels share enough
information to provide images with similar enough information but independent
noise. We demonstrate several representative case studies, namely spectroscopic
(k-edge) X-ray tomography, in vivo X-ray cine-radiography, and
energy-dispersive (Bragg edge) neutron tomography. In all cases, the N2N method
shows dramatic improvement and outperforms conventional denoising methods. For
such imaging techniques, the method can therefore significantly improve image
quality, or maintain image quality with further reduced exposure time per
image.
- Abstract（参考訳）: ノイズはX線およびトモグラフィーイメージング技術において重要な問題である。
追加の制約が画像当たりのSNR(Signal-to-Noise Ratio)を強く削減するアプリケーションでは特に重要である。
これらの制約は、最大利用可能なフラックスまたは許容量に関する制限と、露出時間に関する関連する制限によって生じる。
多くの場合、画像当たりの高SNRは、複数のチャンネルで画素当たりの所定の全露光容量を分配できるため、同じ全露光時間でオブジェクトに関する追加情報を取得するために取引される。
これらは分光イメージングの場合のエネルギーチャネルまたは時間分解イメージングの場合の時間チャネルである。
本稿では,ノイズの多いマルチチャネル(時間またはエネルギー解決)画像データセットの品質向上手法について報告する。
この方法は、ノイズフリーデータにアクセスせずにノイズフリー信号を予測することを学ぶ、最近のn2n(non-supervised denoising)アプローチに依存している。
N2Nは、異なるランダムノイズのサンプルに露出しながら、同一の信号を共有するデータ分散からサンプルのペアを描画する必要がある。
この方法は、近接するチャネルが十分な情報を共有し、同様の情報と独立したノイズを持つ画像を提供する場合に適用できる。
代表的なケーススタディとして, 分光x線トモグラフィ, 生体内x線シネラジオグラフィ, エネルギー分散(ブラッグエッジ)中性子トモグラフィについて紹介する。
いずれの場合も、N2N法は劇的に改善され、従来のデノナイジング法よりも優れていた。
このような撮像技術では、画像の品質を著しく向上させるか、画像当たりの露光時間をさらに短縮して画質を維持することができる。
関連論文リスト
- Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。
本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。
スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
論文 参考訳（メタデータ） (2023-06-12T21:53:32Z) - Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。
本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。
RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:46:36Z) - Unsupervised Denoising of Retinal OCT with Diffusion Probabilistic Model [0.2578242050187029]
本稿では,信号の代わりにノイズから学習するための拡散確率モデルを提案する。
本手法は,簡単な作業パイプラインと少量のトレーニングデータを用いて,画像品質を著しく向上させることができる。
論文 参考訳（メタデータ） (2022-01-27T19:02:38Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳（メタデータ） (2021-08-04T16:36:29Z) - Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。
ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
論文 参考訳（メタデータ） (2021-01-19T16:37:57Z) - Deep-Learning Driven Noise Reduction for Reduced Flux Computed
Tomography [0.0]
深層畳み込みニューラルネットワーク(dcnn)は、低品質、低用量、高用量、高用量の画像にマッピングするために使用できる。
トレーニング時間を増やすことなく、マイクロCTによるデータセットに基づく現在の結果を強調表示し、DCNN結果を改善するためのトランスファーラーニングを適用します。
論文 参考訳（メタデータ） (2021-01-18T23:31:37Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳（メタデータ） (2020-08-19T13:06:24Z) - Single-exposure absorption imaging of ultracold atoms using deep
learning [0.0]
単一の露光で吸収イメージングを行う方法を示す。
参照フレームは第2の露光の代わりに、教師なしの画像補完ニューラルネットワークによって生成される。
ネットワークは、信号を囲む領域の情報のみに基づいて原子信号が重なるノイズを推測できるように、吸収信号なしで画像に基づいて訓練される。
論文 参考訳（メタデータ） (2020-03-03T17:09:27Z)
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。