論文の概要: J-Invariant Volume Shuffle for Self-Supervised Cryo-Electron Tomogram Denoising on Single Noisy Volume

• arxiv url: http://arxiv.org/abs/2411.15248v1
• Date: Fri, 22 Nov 2024 08:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:19:16.980100
• Title: J-Invariant Volume Shuffle for Self-Supervised Cryo-Electron Tomogram Denoising on Single Noisy Volume
• Title（参考訳）: 単雑音音量に基づく自励式クライオエレクトロントモグラフィのJ-不変容積シャッフル
• Authors: Xiwei Liu, Mohamad Kassab, Min Xu, Qirong Ho,
• Abstract要約: Cryo-Electron Tomography (Cryo-ET) は、近ネイティブ状態における細胞構造の詳細な3次元可視化を可能にする。 Cryo-ETは画像の制約により信号対雑音比が低い。 本稿では,Cryo-ETボリュームの画像を1つのノイズボリュームで表現する,新しい自己教師型学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 11.183171651157892
• License:
• Abstract: Cryo-Electron Tomography (Cryo-ET) enables detailed 3D visualization of cellular structures in near-native states but suffers from low signal-to-noise ratio due to imaging constraints. Traditional denoising methods and supervised learning approaches often struggle with complex noise patterns and the lack of paired datasets. Self-supervised methods, which utilize noisy input itself as a target, have been studied; however, existing Cryo-ET self-supervised denoising methods face significant challenges due to losing information during training and the learned incomplete noise patterns. In this paper, we propose a novel self-supervised learning model that denoises Cryo-ET volumetric images using a single noisy volume. Our method features a U-shape J-invariant blind spot network with sparse centrally masked convolutions, dilated channel attention blocks, and volume unshuffle/shuffle technique. The volume-unshuffle/shuffle technique expands receptive fields and utilizes multi-scale representations, significantly improving noise reduction and structural preservation. Experimental results demonstrate that our approach achieves superior performance compared to existing methods, advancing Cryo-ET data processing for structural biology research
• Abstract（参考訳）: Cryo-Electron Tomography (Cryo-ET) は、近ネイティブ状態における細胞構造の詳細な3次元可視化を可能にするが、画像の制約による信号-雑音比の低下に悩まされている。 従来のDenoisingメソッドと教師付き学習アプローチは、複雑なノイズパターンとペア化されたデータセットの欠如に悩まされることが多い。 ノイズインプット自体を対象とする自己教師方式が研究されているが,既存のCryo-ET自己教師方式では,訓練中に情報を失うことや,学習された不完全なノイズパターンによって大きな課題に直面している。 本稿では,Cryo-ETボリューム画像を1つのノイズボリュームで認識する,新しい自己教師型学習モデルを提案する。 提案手法は,U字型J-不変ブラインドスポットネットワークと,疎結合型コンボリューション,拡張チャネルアテンションブロック,ボリュームアンシャッフル/シャッフル技術を備える。 容積アンシャッフル/シャッフル技術は受容場を拡大し、マルチスケールの表現を活用し、ノイズ低減と構造保存を大幅に改善する。 構造生物学研究におけるCryo-ETデータ処理の進歩による既存手法と比較して,本手法が優れた性能を発揮することを示す実験結果が得られた。

関連論文リスト

• Exploring Efficient Asymmetric Blind-Spots for Self-Supervised Denoising in Real-World Scenarios [44.31657750561106]
  実世界のシナリオにおけるノイズはしばしば空間的に相関しており、多くの自己教師型アルゴリズムは性能が良くない。 盲点サイズを自由に調整できる非対称可変ブラインド・スポットネットワーク(AT-BSN)を提案する。 提案手法は最先端技術を実現し,計算オーバーヘッドや視覚効果の観点から,他の自己教師付きアルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-29T15:19:01Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• CVF-SID: Cyclic multi-Variate Function for Self-Supervised Image Denoising by Disentangling Noise from Image [53.76319163746699]
  そこで本研究では,CVF-SIDと呼ばれる,新しい,強力な自己監督型デノベーション手法を提案する。 CVF-SIDは、様々な自己教師付き損失項を活用することにより、入力からクリーンな画像とノイズマップを分離することができる。 最先端の自己監督型画像復調性能を達成し、既存のアプローチに匹敵する。
  論文  参考訳（メタデータ） (2022-03-24T11:59:28Z)
• ISCL: Interdependent Self-Cooperative Learning for Unpaired Image Denoising [3.796436257221662]
  本論文では,ISCL (Interdependent Self-Cooperative Learning) を提案する。 ISCLは、周期的対向学習と自己監督的残差学習を組み合わせる。 そこで本研究では,isclが従来および現在のディープラーニングに基づく画像デノイジング法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-02-19T10:54:25Z)
• Noise2Kernel: Adaptive Self-Supervised Blind Denoising using a Dilated Convolutional Kernel Architecture [3.796436257221662]
  本研究では,不変性を満たす拡張畳み込みネットワークを提案し,ランダムマスキングを使わずに効率的なカーネルベーストレーニングを実現する。 また,ゼロ平均制約を回避し,塩とペッパーまたはハイブリッドノイズの除去に有効である適応型自己超過損失を提案する。
  論文  参考訳（メタデータ） (2020-12-07T12:13:17Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Learning Model-Blind Temporal Denoisers without Ground Truths [46.778450578529814]
  合成データで訓練されたデノイザーは、未知のノイズの多様性に対処できないことが多い。 従来の画像ベース手法は、ビデオデノイザに直接適用した場合、ノイズが過度に収まる。 本稿では,これらの課題に対処する上で有効な,ビデオ・デノベーション・ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-07T07:19:48Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)
• Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
  Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。 そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。 シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
  論文  参考訳（メタデータ） (2020-01-31T12:50:24Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。