論文の概要: Conditioning Generative Latent Optimization to solve Imaging Inverse
Problems
- arxiv url: http://arxiv.org/abs/2307.16670v2
- Date: Mon, 21 Aug 2023 09:36:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 22:33:45.795924
- Title: Conditioning Generative Latent Optimization to solve Imaging Inverse
Problems
- Title(参考訳): 画像逆問題に対するコンディショニング生成潜時最適化
- Authors: Thomas Braure, K\'evin Ginsburger
- Abstract要約: ディープラーニングアプローチは、大規模な教師付きデータセットの恩恵を受け、実験的な測定結果を医療スキャンにマッピングする。
完全に教師なしのテクニック、特にスコアベースの生成モデルの使用は、最近、類似またはより良いパフォーマンスを実証している。
生成遅延最適化フレームワークに対する教師なし条件付きアプローチを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computed Tomography (CT) is a prominent example of Imaging Inverse Problem
(IIP), highlighting the unrivalled performances of data-driven methods in
degraded measurements setups like sparse X-ray projections. Although a
significant proportion of deep learning approaches benefit from large
supervised datasets to directly map experimental measurements to medical scans,
they cannot generalize to unknown acquisition setups. In contrast, fully
unsupervised techniques, most notably using score-based generative models, have
recently demonstrated similar or better performances compared to supervised
approaches to solve IIPs while being flexible at test time regarding the
imaging setup. However, their use cases are limited by two factors: (a) they
need considerable amounts of training data to have good generalization
properties and (b) they require a backward operator, like
Filtered-Back-Projection in the case of CT, to condition the learned prior
distribution of medical scans to experimental measurements. To overcome these
issues, we propose an unsupervised conditional approach to the Generative
Latent Optimization framework (cGLO), in which the parameters of a decoder
network are initialized on an unsupervised dataset. The decoder is then used
for reconstruction purposes, by performing Generative Latent Optimization with
a loss function directly comparing simulated measurements from proposed
reconstructions to experimental measurements. The resulting approach, tested on
sparse-view CT using multiple training dataset sizes, demonstrates better
reconstruction quality compared to state-of-the-art score-based strategies in
most data regimes and shows an increasing performance advantage for smaller
training datasets and reduced projection angles. Furthermore, cGLO does not
require any backward operator and could expand use cases even to non-linear
IIPs.
- Abstract(参考訳): CT(Computed Tomography)はイメージング逆問題(IIP)の顕著な例であり、スパースX線プロジェクションのような劣化した測定設定におけるデータ駆動手法の非分散性能を強調している。
ディープラーニングアプローチのかなりの割合は、実験的な測定結果を医療スキャンに直接マッピングする大規模な教師付きデータセットの恩恵を受けているが、未知の取得設定に一般化することはできない。
対照的に、特にスコアベースの生成モデルを用いた完全に教師なしのテクニックは、画像設定に関するテスト時に柔軟でありながらiipsを解決する教師付きアプローチと比較して、最近、類似またはより良い性能を示している。
しかし、ユースケースは2つの要因に制限されている。
(a)優れた一般化特性を持つためには、かなりの量のトレーニングデータが必要である。
(b)CTの場合のフィルタバックプロジェクションのような後方演算子が必要であり、医学スキャンの学習前の分布を実験的な測定に適応させる。
これらの問題を克服するために,デコーダネットワークのパラメータを教師なしデータセット上で初期化する生成的潜在最適化フレームワーク (cglo) に対する教師なし条件付きアプローチを提案する。
次に、デコーダは、提案された再構成から実験的な測定へのシミュレーション測定を直接比較する損失関数による生成的潜在最適化を行うことで、再構成目的に使用される。
結果として得られたアプローチは、複数のトレーニングデータセットサイズを使用してスパースビューctでテストされ、ほとんどのデータレジームで最先端のスコアベース戦略よりも優れた再構成品質を示し、より小さなトレーニングデータセットのパフォーマンスアドバンテージと投影角の低下を示している。
さらに、cGLOは後方演算子を必要としないため、ユースケースを非線形IPにも拡張することができる。
関連論文リスト
- Data-iterative Optimization Score Model for Stable Ultra-Sparse-View CT
Reconstruction [2.2336243882030025]
スパースビューCT再構成のための反復最適化データスコアリングモデル(DOSM)を提案する。
DOSMはデータの一貫性をデータ一貫性要素に統合し、測定データと生成モデルの制約を効果的にバランスさせる。
我々はDOSM更新の最適化に従来の手法を活用している。
論文 参考訳(メタデータ) (2023-08-28T09:23:18Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Test-time Adaptation with Slot-Centric Models [63.981055778098444]
Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。
我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
論文 参考訳(メタデータ) (2022-03-21T17:59:50Z) - Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文 参考訳(メタデータ) (2022-02-11T10:33:53Z) - Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。
本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。
我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
論文 参考訳(メタデータ) (2022-02-02T16:21:20Z) - Deep Image Prior using Stein's Unbiased Risk Estimator: SURE-DIP [31.408877556706376]
超高解像度イメージングを含む多くのイメージングアプリケーションでは、トレーニングデータが不足している。
シングルショット画像回復のためのディープ画像先行アルゴリズム(DIP)が導入され、トレーニングデータの必要性を完全に排除した。
オーバーフィッティングを最小限に抑えるため,一般化されたStein's Unbiased Risk Estimation (GSURE)損失指標を導入する。
論文 参考訳(メタデータ) (2021-11-21T20:11:56Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - Hyperspectral Denoising Using Unsupervised Disentangled Spatio-Spectral
Deep Priors [10.65207459525818]
近年、データ駆動ニューラルネットワークは、rgb自然画像のノイズ化に有望な性能を示している。
データ駆動の事前処理は、トレーニングデータがないため、ハイパースペクトル画像の取得が難しい。
この研究は、HSIの古典的スペクトル分解に基づく教師なしのDIPフレームワークを提供する。
論文 参考訳(メタデータ) (2021-02-24T14:38:51Z) - Using Deep Image Priors to Generate Counterfactual Explanations [38.62513524757573]
ディープ画像先行(DIP)は、潜在表現エンコーディングからプレイメージを得るために用いられる。
本稿では,予測器と共同で学習した補助損失推定器に基づく新たな正規化戦略を提案する。
論文 参考訳(メタデータ) (2020-10-22T20:40:44Z) - 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。