論文の概要: Super-Resolution Surface Reconstruction from Few Low-Resolution Slices

• arxiv url: http://arxiv.org/abs/2309.05071v1
• Date: Sun, 10 Sep 2023 16:32:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 14:48:14.114684
• Title: Super-Resolution Surface Reconstruction from Few Low-Resolution Slices
• Title（参考訳）: 低分解スライスによる超解像表面の再構成
• Authors: Yiyao Zhang and Ke Chen and Shang-Hua Yang
• Abstract要約: 本稿では, 数値シミュレーションにおいて, 分割面の分解能を高めるための新しい変分モデルを提案する。 モデル解くための2つの数値アルゴリズム、射影勾配降下法、乗算器の交互方向法を実装した。 新しいモデルの利点は、離散幾何学の観点からのガウス曲率と平均曲率の標準偏差による定量的比較によって示される。
• 参考スコア（独自算出の注目度）: 7.053276723038573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many imaging applications where segmented features (e.g. blood vessels) are further used for other numerical simulations (e.g. finite element analysis), the obtained surfaces do not have fine resolutions suitable for the task. Increasing the resolution of such surfaces becomes crucial. This paper proposes a new variational model for solving this problem, based on an Euler-Elastica-based regulariser. Further, we propose and implement two numerical algorithms for solving the model, a projected gradient descent method and the alternating direction method of multipliers. Numerical experiments using real-life examples (including two from outputs of another variational model) have been illustrated for effectiveness. The advantages of the new model are shown through quantitative comparisons by the standard deviation of Gaussian curvatures and mean curvatures from the viewpoint of discrete geometry.
• Abstract（参考訳）: 他の数値シミュレーション(有限要素解析など)でセグメント化された特徴(血管など)がさらに使用される多くのイメージングアプリケーションでは、得られた表面はタスクに適した微細な解像度を持たない。 このような表面の分解能を高めることが重要となる。 本稿では,Euler-Elastica-based regulariserに基づく新しい変分モデルを提案する。 さらに, このモデルの解法として, 投影勾配降下法と乗算器の交互方向法という2つの数値アルゴリズムを提案し, 実装した。 実例(他の変分モデルの出力から2つを含む)を用いた数値実験が有効性を示す。 新しいモデルの利点は、離散幾何学の観点からのガウス曲率と平均曲率の標準偏差による定量的比較によって示される。

関連論文リスト

• Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
  機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。 非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
  論文  参考訳（メタデータ） (2024-08-20T19:06:02Z)
• Efficient modeling of sub-kilometer surface wind with Gaussian processes and neural networks [0.0]
  風は、その空間的および時間的変動が高いため、モデルにとって特に困難な変数である。 本稿では,ガウス過程とニューラルネットワークを統合した表面風洞をサブキロメートル分解能でモデル化する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-21T09:07:47Z)
• Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
  本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。 線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
  論文  参考訳（メタデータ） (2023-07-02T17:21:30Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• A Variational Approach for Joint Image Recovery and Feature Extraction Based on Spatially-Varying Generalised Gaussian Models [13.952521992627847]
  再構成/抽出最適化の連立問題は画像処理において難しい課題である。 共同で画像の復元と画像の抽出を行う。
  論文  参考訳（メタデータ） (2022-09-03T09:10:23Z)
• An Operator-Splitting Method for the Gaussian Curvature Regularization Model with Applications in Surface Smoothing and Imaging [6.860238280163609]
  一般ガウス曲率モデルの演算子分割法を提案する。 提案手法は,パラメータの選択,効率,性能に敏感ではない。
  論文  参考訳（メタデータ） (2021-08-04T08:59:41Z)
• Numerical Solution of Stiff Ordinary Differential Equations with Random Projection Neural Networks [0.0]
  正規微分方程式(ODE)の解に対する乱射影ニューラルネットワーク(RPNN)に基づく数値スキームを提案する。 提案手法は剛性の影響を受けずに高い数値近似精度を示し,textttode45 と textttode15s の関数よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-03T15:49:17Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• Machine learning applied in the multi-scale 3D stress modelling [10.355894890759377]
  本稿では,有限要素モデリングとニューラルネットワークを組み合わせたハイブリッド手法により,地下応力を推定する手法を提案する。 1つの低周波解は、粗いスケールでの安価な有限要素モデリングによって得られ、第2の解は、微小スケールにおける自由パラメータの不均一性によって引き起こされる微細な詳細を提供する。 粗い有限要素解とニューラルネットワークの推定値を組み合わせると、結果は高分解能有限要素モデルで計算される結果の2%の誤差以内に収まる。
  論文  参考訳（メタデータ） (2020-08-25T19:17:38Z)
• Precise expressions for random projections: Low-rank approximation and randomized Newton [63.68433510953756]
  マトリックススケッチは、そのような次元削減を非常に効率的に行うための強力な技術として登場した。 本研究では,スケッチによって得られたランダムな投影行列の予測値に対して,確率的に正確な表現を提供する手法を開発した。 これらの表現は、様々な機械学習タスクにおける次元削減のパフォーマンスを特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2020-06-18T16:23:00Z)

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。