論文の概要: NeRF-US: Removing Ultrasound Imaging Artifacts from Neural Radiance Fields in the Wild

• arxiv url: http://arxiv.org/abs/2408.10258v2
• Date: Wed, 21 Aug 2024 00:52:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-22 21:36:42.772108
• Title: NeRF-US: Removing Ultrasound Imaging Artifacts from Neural Radiance Fields in the Wild
• Title（参考訳）: NeRF-US: 野生の神経放射場からの超音波イメージングアーチファクトの除去
• Authors: Rishit Dagli, Atsuhiro Hibi, Rahul G. Krishnan, Pascal N. Tyrrell,
• Abstract要約: 超音波画像データにおける3次元再構成と新しいビュー合成(NVS)の現在の手法は、NeRFベースのアプローチを訓練する際、しばしば深刻な成果物に直面している。 本研究では,NeRFトレーニングに境界確率と散乱密度の3次元測位法を組み込んだNeRF-USを導入した。
• 参考スコア（独自算出の注目度）: 11.047805165425256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current methods for performing 3D reconstruction and novel view synthesis (NVS) in ultrasound imaging data often face severe artifacts when training NeRF-based approaches. The artifacts produced by current approaches differ from NeRF floaters in general scenes because of the unique nature of ultrasound capture. Furthermore, existing models fail to produce reasonable 3D reconstructions when ultrasound data is captured or obtained casually in uncontrolled environments, which is common in clinical settings. Consequently, existing reconstruction and NVS methods struggle to handle ultrasound motion, fail to capture intricate details, and cannot model transparent and reflective surfaces. In this work, we introduced NeRF-US, which incorporates 3D-geometry guidance for border probability and scattering density into NeRF training, while also utilizing ultrasound-specific rendering over traditional volume rendering. These 3D priors are learned through a diffusion model. Through experiments conducted on our new "Ultrasound in the Wild" dataset, we observed accurate, clinically plausible, artifact-free reconstructions.
• Abstract（参考訳）: 超音波画像データにおける3次元再構成と新しいビュー合成(NVS)の現在の手法は、NeRFベースのアプローチを訓練する際、しばしば深刻な成果物に直面している。 現在のアプローチによって生成された人工物は、超音波キャプチャーのユニークな性質のため、一般的な場面ではNeRFフローターとは異なる。 さらに, 既往のモデルでは, 臨床環境において一般的である非制御環境において, 超音波データを捕捉したり, カジュアルに取得した場合に, 合理的な3D再構成が得られない。 その結果、既存の再建法とNVS法は、超音波の動きを扱うのに苦労し、複雑な詳細を捉えず、透明で反射的な表面をモデル化することができない。 本研究では,NeRFトレーニングに境界確率と散乱密度の3次元幾何学的ガイダンスを取り入れたNeRF-USを導入するとともに,従来のボリュームレンダリングよりも超音波特異的なレンダリングを利用する。 これらの3D先行情報は拡散モデルによって学習される。 新たな"Ultrasound in the Wild"データセットで実施した実験により、正確な、臨床的に妥当な、アーティファクトのない再構築が観察された。

関連論文リスト

• Hybrid NeRF-Stereo Vision: Pioneering Depth Estimation and 3D Reconstruction in Endoscopy [11.798218793025974]
  本稿では3次元再構成のためのNeural Radiance Fields (NeRF) を用いた革新的なパイプラインを提案する。 提案手法は, 粗いモデルが得られる予備的なNeRF再構成を用いて, 再建された環境内に双眼シーンを生成する。 高忠実度深度マップは、現実的な脳ファントムの単眼内視鏡映像から生成される。
  論文  参考訳（メタデータ） (2024-10-05T05:26:21Z)
• UlRe-NeRF: 3D Ultrasound Imaging through Neural Rendering with Ultrasound Reflection Direction Parameterization [0.5837446811360741]
  従来の3D超音波イメージング法には、解像度の固定化、ストレージ効率の低さ、コンテキスト接続性の不足といった制限がある。 暗黙的なニューラルネットワークと明示的な超音波レンダリングアーキテクチャを組み合わせた新しいモデルUlRe-NeRFを提案する。 実験の結果,UlRe-NeRFモデルは高忠実度超音波画像再構成の現実性と精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2024-08-01T18:22:29Z)
• Ultrasound Imaging based on the Variance of a Diffusion Restoration Model [7.360352432782388]
  本稿では, 線形直列モデルと学習に基づく先行モデルを組み合わせたハイブリッド再構成手法を提案する。 我々は,高品質な画像再構成を実現するための分散イメージング手法の有効性を実証し,合成,in-vitro,in-vivoデータの実験を行った。
  論文  参考訳（メタデータ） (2024-03-22T16:10:38Z)
• 3D Guidewire Shape Reconstruction from Monoplane Fluoroscopic Images [7.0968125126570625]
  本稿では,最新の血管内シミュレータCathSimを用いて3Dガイドワイヤを再構築する手法を提案する。 我々の3D-FGRNは、シミュレーションされた単平面蛍光画像から従来の三角測量と同等の結果が得られる。
  論文  参考訳（メタデータ） (2023-11-19T03:20:42Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• WaveNeRF: Wavelet-based Generalizable Neural Radiance Fields [149.2296890464997]
  我々は、ウェーブレット周波数分解をMVSとNeRFに統合したWaveNeRFを設計する。 WaveNeRFは、3つの画像のみを入力として与えたときに、より優れた一般化可能な放射場モデリングを実現する。
  論文  参考訳（メタデータ） (2023-08-09T09:24:56Z)
• Single-Stage Diffusion NeRF: A Unified Approach to 3D Generation and Reconstruction [77.69363640021503]
  3D対応画像合成は、シーン生成や画像からの新規ビュー合成など、様々なタスクを含む。 本稿では,様々な物体の多視点画像から,ニューラルラディアンス場(NeRF)の一般化可能な事前学習を行うために,表現拡散モデルを用いた統一的アプローチであるSSDNeRFを提案する。
  論文  参考訳（メタデータ） (2023-04-13T17:59:01Z)
• Clean-NeRF: Reformulating NeRF to account for View-Dependent Observations [67.54358911994967]
  本稿では,複雑なシーンにおける3次元再構成と新しいビューレンダリングのためのクリーンネRFを提案する。 clean-NeRFはプラグインとして実装することができ、既存のNeRFベースのメソッドを追加入力なしですぐに利用することができる。
  論文  参考訳（メタデータ） (2023-03-26T12:24:31Z)
• DehazeNeRF: Multiple Image Haze Removal and 3D Shape Reconstruction using Neural Radiance Fields [56.30120727729177]
  DehazeNeRFは,湿潤な環境下で頑健に動作するフレームワークとして紹介する。 提案手法は,複数視点のヘイズ除去,新しいビュー合成,既存手法が失敗する3次元形状再構成を成功させるものである。
  論文  参考訳（メタデータ） (2023-03-20T18:03:32Z)
• NerfDiff: Single-image View Synthesis with NeRF-guided Distillation from 3D-aware Diffusion [107.67277084886929]
  単一の画像からの新しいビュー合成には、オブジェクトやシーンの隠蔽領域を推論すると同時に、入力とのセマンティックおよび物理的整合性を同時に維持する必要がある。 そこで我々は,NerfDiffを提案する。NerfDiffは3D対応条件拡散モデル(CDM)の知識を,テスト時に仮想ビューの集合を合成・精製することで,NeRFに抽出することでこの問題に対処する。 さらに,CDMサンプルから3次元一貫した仮想ビューを同時に生成し,改良された仮想ビューに基づいてNeRFを微調整する新しいNeRF誘導蒸留アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-20T17:12:00Z)

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。