論文の概要: NODER: Image Sequence Regression Based on Neural Ordinary Differential Equations

• arxiv url: http://arxiv.org/abs/2407.13241v1
• Date: Thu, 18 Jul 2024 07:50:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 16:32:17.758655
• Title: NODER: Image Sequence Regression Based on Neural Ordinary Differential Equations
• Title（参考訳）: NODER:ニューラル正規微分方程式に基づく画像系列回帰
• Authors: Hao Bai, Yi Hong,
• Abstract要約: 本稿では,ニューラル常微分方程式を利用して複雑な基礎となる力学を捉える,NODERという最適化に基づく新しいフレームワークを提案する。 本モデルでは,特に臨床状況において,予測のために数枚の画像のみを必要とする。
• 参考スコア（独自算出の注目度）: 2.711538918087856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regression on medical image sequences can capture temporal image pattern changes and predict images at missing or future time points. However, existing geodesic regression methods limit their regression performance by a strong underlying assumption of linear dynamics, while diffusion-based methods have high computational costs and lack constraints to preserve image topology. In this paper, we propose an optimization-based new framework called NODER, which leverages neural ordinary differential equations to capture complex underlying dynamics and reduces its high computational cost of handling high-dimensional image volumes by introducing the latent space. We compare our NODER with two recent regression methods, and the experimental results on ADNI and ACDC datasets demonstrate that our method achieves the state-of-the-art performance in 3D image regression. Our model needs only a couple of images in a sequence for prediction, which is practical, especially for clinical situations where extremely limited image time series are available for analysis. Our source code is available at https://github.com/ZedKing12138/NODER-pytorch.
• Abstract（参考訳）: 医用画像シーケンスの回帰は、時間的画像パターンの変化を捉え、欠落または将来の時点における画像を予測することができる。 しかし、既存の測地回帰法は、線形力学の強い仮定によって回帰性能を制限しているが、拡散法は高い計算コストを持ち、画像トポロジを保存するための制約が欠如している。 本稿では,ニューラル常微分方程式を利用して複雑なダイナミックスを捕捉し,遅延空間を導入することで高次元画像量を扱うための計算コストを削減できるNODERという最適化ベースの新しいフレームワークを提案する。 我々はNODERと最近の2つの回帰法を比較し,ADNIおよびACDCデータセットを用いた実験結果から,本手法が3次元画像レグレッションにおける最先端性能を実現することを示す。 本モデルでは, 極めて限られた画像時系列が解析に利用可能である臨床状況において, 現実的な予測を行うために, 一連の画像しか必要としない。 ソースコードはhttps://github.com/ZedKing12138/NODER-pytorch.comで公開されています。

関連論文リスト

• Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
  拡散モデルは、大規模な生成画像モデルの分野を支配してきた。 本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Enhancing Dynamic CT Image Reconstruction with Neural Fields Through Explicit Motion Regularizers [0.0]
  2次元以上の時間計算トモグラフィーにおけるPDEに基づく運動正規化器の導入によるニューラルネットワークの最適化の利点を示す。 また、ニューラルネットワークをグリッドベースの解法と比較し、前者が後者より優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-03T13:07:29Z)
• Variational Bayes image restoration with compressive autoencoders [4.879530644978008]
  逆問題の正規化は、計算イメージングにおいて最重要となる。 本研究では,まず,最先端生成モデルの代わりに圧縮型オートエンコーダを提案する。 第2の貢献として、変分ベイズ潜時推定(VBLE)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-11-29T15:49:31Z)
• BID-NeRF: RGB-D image pose estimation with inverted Neural Radiance Fields [0.0]
  Inverted Neural Radiance Fields (iNeRF) アルゴリズムの改良を目標とし、画像ポーズ推定問題をNeRFに基づく反復線形最適化として定義する。 NeRFは、現実世界のシーンやオブジェクトのフォトリアリスティックな新しいビューを合成できる新しい空間表現モデルである。
  論文  参考訳（メタデータ） (2023-10-05T14:27:06Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Curvature regularization for Non-line-of-sight Imaging from Under-sampled Data [5.591221518341613]
  非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。 曲率正規化に基づく新しいNLOS再構成モデルを提案する。 提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
  論文  参考訳（メタデータ） (2023-01-01T14:10:43Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。