論文の概要: Uncertainty-Aware Null Space Networks for Data-Consistent Image Reconstruction

• arxiv url: http://arxiv.org/abs/2304.06955v1
• Date: Fri, 14 Apr 2023 06:58:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 14:34:31.689624
• Title: Uncertainty-Aware Null Space Networks for Data-Consistent Image Reconstruction
• Title（参考訳）: データ一貫性画像再構成のための不確実性を考慮したヌル空間ネットワーク
• Authors: Christoph Angermann, Simon G\"oppel and Markus Haltmeier
• Abstract要約: 近年の深層学習の進歩をもとに,最先端の再構築手法が開発されている。 医用画像などの安全クリティカルな領域で使用するためには, ネットワーク再構築は, 利用者に再構成画像を提供するだけでなく, ある程度の信頼を得る必要がある。 この研究は、入力依存のスケールマップを推定することによって、データ依存の不確実性をモデル化する逆問題に対する最初のアプローチである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing an image from noisy and incomplete measurements is a central task in several image processing applications. In recent years, state-of-the-art reconstruction methods have been developed based on recent advances in deep learning. Especially for highly underdetermined problems, maintaining data consistency is a key goal. This can be achieved either by iterative network architectures or by a subsequent projection of the network reconstruction. However, for such approaches to be used in safety-critical domains such as medical imaging, the network reconstruction should not only provide the user with a reconstructed image, but also with some level of confidence in the reconstruction. In order to meet these two key requirements, this paper combines deep null-space networks with uncertainty quantification. Evaluation of the proposed method includes image reconstruction from undersampled Radon measurements on a toy CT dataset and accelerated MRI reconstruction on the fastMRI dataset. This work is the first approach to solving inverse problems that additionally models data-dependent uncertainty by estimating an input-dependent scale map, providing a robust assessment of reconstruction quality.
• Abstract（参考訳）: ノイズや不完全な測定からイメージを再構成することは、複数の画像処理アプリケーションにおいて中心的な課題である。 近年,近年のディープラーニングの進歩をもとに,最先端の再構築手法が開発されている。 特に不確定な問題の場合、データの一貫性を維持することが重要な目標です。 これは反復的なネットワークアーキテクチャまたはその後のネットワーク再構築の投影によって達成できる。 しかし,このようなアプローチを医療画像などの安全クリティカルな領域で使用するためには,ネットワーク再構築はユーザに対して再構成されたイメージを提供するだけでなく,ある程度の信頼度を与えるべきである。 これら2つの重要な要件を満たすため、本論文では、深いヌル空間ネットワークと不確実な定量化を組み合わせる。 提案手法の評価には,おもちゃのCTデータセットを用いたアンダーサンプリングRadon測定による画像再構成と,高速MRIデータセットによる高速MRI再構成が含まれる。 本研究は,入力依存スケールマップを推定することでデータ依存の不確実性をモデル化し,復元品質のロバストな評価を可能にする,逆問題に対する最初のアプローチである。

関連論文リスト

• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• A Novel end-to-end Framework for Occluded Pixel Reconstruction with Spatio-temporal Features for Improved Person Re-identification [0.842885453087587]
  人の身元確認は、公共の安全を高めるために群衆の動きを監視し、追跡するために不可欠である。 本研究では、ディープニューラルネットワークからなるRGB画像/映像の効果的な閉塞検出・再構成フレームワークを開発することにより、有効な解を提案する。 具体的には、CNNベースのオクルージョン検出モデルが個々の入力フレームを分類し、次いでConv-LSTMおよびオートエンコーダを用いて、シーケンシャル(ビデオ)および非シーケンシャル(画像)データに対して、オクルードされたフレームに対応するオクルード画素を再構成する。
  論文  参考訳（メタデータ） (2023-04-16T08:14:29Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Uncertainty Quantification for Deep Unrolling-Based Computational Imaging [0.0]
  本稿では,観察モデルを再構成タスクに組み込んだ学習型画像再構成フレームワークを提案する。 提案手法は,最先端のDeep Unrolling手法に匹敵する再現性能を達成しつつ,不確実性情報を提供できることを示す。
  論文  参考訳（メタデータ） (2022-07-02T00:22:49Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Unsupervised Knowledge-Transfer for Learned Image Reconstruction [4.183935970343543]
  ベイジアンフレームワーク内での反復的再構築を学習するための,教師なしの知識伝達パラダイムを新たに開発する。 提案手法は,視覚だけでなく,PSNRやSSIMの量的にも再現性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-07-06T12:19:16Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Stabilizing Deep Tomographic Reconstruction [25.179542326326896]
  本稿では,この課題に対処する分析圧縮反復深度(ACID)フレームワークを提案する。 ACIDは、ビッグデータ、CSにインスパイアされた処理からのカーネル認識、反復リファインメントに基づいてトレーニングされたディープリコンストラクションネットワークをシナジする。 本研究は, 酸を用いた深部再建が正確かつ安定であることを示し, 酸反復の収束機構に光を当てた。
  論文  参考訳（メタデータ） (2020-08-04T21:35:32Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。