論文の概要: Image Harmonization using Robust Restricted CDF Matching

• arxiv url: http://arxiv.org/abs/2411.15213v1
• Date: Wed, 20 Nov 2024 12:12:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:21:27.143444
• Title: Image Harmonization using Robust Restricted CDF Matching
• Title（参考訳）: ロバスト制限CDFマッチングを用いた画像調和
• Authors: Roman Stoklasa,
• Abstract要約: 曲線フィッティングに基づく累積分布関数(CDF)マッチングを用いた画像調和方式を提案する。 画像強度の変換は、他の既知のヒストグラムマッチングアルゴリズムと比較して、非線形であるが、まだ滑らかで弾力的である」。 我々はMRI画像の手法を実証するが、他の種類の画像データに適用できるほど汎用的である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Deployment of machine learning algorithms into real-world practice is still a difficult task. One of the challenges lies in the unpredictable variability of input data, which may differ significantly among individual users, institutions, scanners, etc. The input data variability can be decreased by using suitable data preprocessing with robust data harmonization. In this paper, we present a method of image harmonization using Cumulative Distribution Function (CDF) matching based on curve fitting. This approach does not ruin local variability and individual important features. The transformation of image intensities is non-linear but still ``smooth and elastic", as compared to other known histogram matching algorithms. Non-linear transformation allows for a very good match to the template. At the same time, elasticity constraints help to preserve local variability among individual inputs, which may encode important features for subsequent machine-learning processing. The pre-defined template CDF offers a better and more intuitive control for the input data transformation compared to other methods, especially ML-based ones. Even though we demonstrate our method for MRI images, the method is generic enough to apply to other types of imaging data.
• Abstract（参考訳）: 機械学習アルゴリズムを現実のプラクティスに展開するのは、依然として難しい作業です。 課題の1つは、入力データの予測不可能な変動であり、個々のユーザ、機関、スキャナーなどによって大きく異なる可能性がある。 堅牢なデータ調和を伴う適切なデータ前処理を用いることで、入力データ可変性を低下させることができる。 本稿では,曲線フィッティングに基づく累積分布関数(CDF)マッチングを用いた画像調和手法を提案する。 このアプローチは、局所的な変動性と個々の重要な特徴を損なうものではない。 画像強度の変換は、他の既知のヒストグラムマッチングアルゴリズムと比較すると、非線形であるが「滑らかで弾力的」である。 非線形変換はテンプレートに非常によくマッチする。 同時に、弾力性の制約は個々の入力の局所的な変動を保ち、その後の機械学習処理において重要な特徴を符号化する。 事前定義されたテンプレートCDFは、他の方法、特にMLベースのものよりも、入力データ変換をより直感的に制御できる。 我々はMRI画像の手法を実証するが、他の種類の画像データに適用できるほど汎用的である。

関連論文リスト

• Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
  本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。 本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。 本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
  論文  参考訳（メタデータ） (2024-02-28T09:27:41Z)
• Compressed Sensing MRI Reconstruction Regularized by VAEs with Structured Image Covariance [7.544757765701024]
  本稿では, 逆問題に先立って, 地動画像に基づいて学習した生成モデルをどのように利用することができるかを検討する。 可変オートエンコーダ(VAE)を用いて、画像だけでなく、各画像に対する共分散不確実性行列を生成する。 提案した学習規則化手法を,他の学習規則化手法や教師なし,教師なしのディープラーニング手法と比較した。
  論文  参考訳（メタデータ） (2022-10-26T09:51:49Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• Robustness via Uncertainty-aware Cycle Consistency [44.34422859532988]
  非ペア画像-画像間の変換とは、対応する画像対を使わずに画像間マッピングを学習することを指す。 既存の手法は、外乱や予測の不確実性にロバスト性を明示的にモデル化することなく決定論的マッピングを学習する。 不確実性を考慮した一般化適応サイクル一貫性(UGAC)に基づく新しい確率的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T15:33:21Z)
• Attention for Image Registration (AiR): an unsupervised Transformer approach [7.443843354775884]
  変形可能な画像登録問題に注意機構を導入する。 提案手法は,GPGPUデバイス上で効率的にトレーニング可能なTransformerフレームワークであるAiRをベースとしている。 この方法は教師なしの変形マップを学習し、2つのベンチマークデータセットでテストする。
  論文  参考訳（メタデータ） (2021-05-05T18:49:32Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
  畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。 我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。 さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
  論文  参考訳（メタデータ） (2020-07-13T04:27:25Z)
• End-to-end Interpretable Learning of Non-blind Image Deblurring [102.75982704671029]
  非ブラインド画像のデブロワーリングは、通常、対応するシャープ画像の勾配に関する自然の先行によって正規化される線形最小二乗問題として定式化される。 本稿では,(既知の)ぼかしと自然像前のカーネルの逆フィルタを用いて,リチャードソン解法を事前条件として提案する。
  論文  参考訳（メタデータ） (2020-07-03T15:45:01Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)
• Super-resolution Variational Auto-Encoders [8.873449722727026]
  本稿では、元の画像のダウンスケール版であるランダム変数を追加することで、VAEを強化することを提案する。 提案手法は, 負の対数類似度の観点から, VAEと相容れない性能を示すことを実証的に示す。
  論文  参考訳（メタデータ） (2020-06-09T12:32:16Z)
• Variational Clustering: Leveraging Variational Autoencoders for Image Clustering [8.465172258675763]
  変分オートエンコーダ(VAE)は、潜在空間におけるデータ分布の学習に自然に役立ちます。 画像のクラスタリングに先立ってガウス混合を用いるVAEに基づく手法を提案する。 提案手法は,画像の潜伏分布と後部を捉える前処理を同時に学習し,データポイント間の識別に役立てる。
  論文  参考訳（メタデータ） (2020-05-10T09:34:48Z)

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。