論文の概要: Computerized Tomography and Reproducing Kernels
- arxiv url: http://arxiv.org/abs/2311.07465v1
- Date: Mon, 13 Nov 2023 16:53:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 13:35:01.145535
- Title: Computerized Tomography and Reproducing Kernels
- Title(参考訳): コンピュータトモグラフィと再生カーネル
- Authors: Ho Yun and Victor M. Panaretos
- Abstract要約: 再生カーネル空間(RKHS)を利用した革新的なアプローチを提案する。
RKHSフレームワークはプロジェクション画像をかなり単純化し、トモグラフィー再構成の問題に対する有名な代表者定理の類似に繋がる。
また、データは離散的でノイズの多い現実的な環境では、真に機能的なレベルでシャープな安定性を達成できます。
- 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: The X-ray transform is one of the most fundamental integral operators in
image processing and reconstruction. In this article, we revisit its
mathematical formalism, and propose an innovative approach making use of
Reproducing Kernel Hilbert Spaces (RKHS). Within this framework, the X-ray
transform can be considered as a natural analogue of Euclidean projections. The
RKHS framework considerably simplifies projection image interpolation, and
leads to an analogue of the celebrated representer theorem for the problem of
tomographic reconstruction. It leads to methodology that is dimension-free and
stands apart from conventional filtered back-projection techniques, as it does
not hinge on the Fourier transform. It also allows us to establish sharp
stability results at a genuinely functional level, but in the realistic setting
where the data are discrete and noisy. The RKHS framework is amenable to any
reproducing kernel on a unit ball, affording a high level of generality. When
the kernel is chosen to be rotation-invariant, one can obtain explicit spectral
representations which elucidate the regularity structure of the associated
Hilbert spaces, and one can also solve the reconstruction problem at the same
computational cost as filtered back-projection.
- Abstract(参考訳): X線変換は画像処理と再構成において最も基本的な演算子の1つである。
本稿では,その数学的フォーマリズムを再考し,RKHS(Reproduction Kernel Hilbert Spaces)を利用した革新的なアプローチを提案する。
この枠組みの中で、X線変換はユークリッド射影の自然な類似と見なすことができる。
RKHSフレームワークはプロジェクション画像の補間をかなり単純化し、トモグラフィー再構成の問題に対する有名な代表者定理の類似をもたらす。
これは次元自由であり、フーリエ変換にヒンジしないため、従来のフィルターバックプロジェクション手法とは別物となる方法論につながる。
また、データは離散的でノイズの多い現実的な環境では、真に機能的なレベルでシャープな安定性を達成できます。
RKHSフレームワークは、ユニットボール上の任意の再生カーネルに対して共振可能であり、高い一般性を持つ。
核が回転不変であると選択されると、関連するヒルベルト空間の正則性構造を解明する明示的なスペクトル表現を得ることができ、フィルター付きバックプロジェクションと同じ計算コストで再構成問題を解くこともできる。
関連論文リスト
- R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳(メタデータ) (2024-05-31T08:39:02Z) - In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。
エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
論文 参考訳(メタデータ) (2023-09-25T08:42:06Z) - FunkNN: Neural Interpolation for Functional Generation [23.964801524703052]
FunkNNは任意の座標で連続した画像を再構成することを学び、任意の画像データセットに適用できる新しい畳み込みネットワークである。
FunkNNは、高品質な連続画像を生成し、パッチベースの設計により、配信性能が優れていることを示す。
論文 参考訳(メタデータ) (2022-12-20T16:37:20Z) - Editing Out-of-domain GAN Inversion via Differential Activations [56.62964029959131]
本稿では,構成分解パラダイムを用いて,ドメイン外反転問題に対処する新しいGAN事前編集フレームワークを提案する。
生成されたDiff-CAMマスクの助けを借りて、粗い再構成を直感的に元の画像と編集された画像で合成することができる。
また, 分解段階において, 粗い再構成から最終微編集画像を切り離すための, GAN 以前のデゴーストネットワークを提示する。
論文 参考訳(メタデータ) (2022-07-17T10:34:58Z) - Learning Local Implicit Fourier Representation for Image Warping [11.526109213908091]
画像ワーピング(LTEW)のための局所的テクスチャ推定器を提案し,次に暗黙のニューラル表現を用いて画像を連続的な形状に変形する。
我々のLTEWベースのニューラル関数は、非対称スケールSRとホモグラフィ変換の既存のワープ手法よりも優れています。
論文 参考訳(メタデータ) (2022-07-05T06:30:17Z) - Orthonormal Convolutions for the Rotation Based Iterative
Gaussianization [64.44661342486434]
本稿では、画像ガウス化を可能にする回転型反復ガウス化RBIGの拡張について詳述する。
RBIGの回転は主成分分析や独立成分分析に基づくため、画像では小さな画像パッチや孤立画素に制限されている。
emphConvolutional RBIG:この問題を緩和する拡張として,RBIGの回転が畳み込みであることを示す。
論文 参考訳(メタデータ) (2022-06-08T12:56:34Z) - Scalable Variational Gaussian Processes via Harmonic Kernel
Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。
様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。
提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文 参考訳(メタデータ) (2021-06-10T18:17:57Z) - Non-local Meets Global: An Iterative Paradigm for Hyperspectral Image
Restoration [66.68541690283068]
ハイパースペクトル画像復元のための空間特性とスペクトル特性を組み合わせた統一パラダイムを提案する。
提案するパラダイムは,非局所空間デノゲーションと光計算の複雑さから,性能上の優位性を享受する。
HSI復調、圧縮再構成、塗装タスクの実験は、シミュレーションと実際のデータセットの両方で、その優位性を示している。
論文 参考訳(メタデータ) (2020-10-24T15:53:56Z) - Learned convex regularizers for inverse problems [3.294199808987679]
本稿では,逆問題に対する正規化器として,データ適応型入力ニューラルネットワーク(ICNN)を学習することを提案する。
パラメータ空間における単調な誤差を反復で減少させる部分次アルゴリズムの存在を実証する。
提案した凸正則化器は, 逆問題に対する最先端のデータ駆動技術に対して, 少なくとも競争力があり, 時には優位であることを示す。
論文 参考訳(メタデータ) (2020-08-06T18:58:35Z)
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。