論文の概要: FSC-loss: A Frequency-domain Structure Consistency Learning Approach for Signal Data Recovery and Reconstruction

• arxiv url: http://arxiv.org/abs/2501.04308v1
• Date: Wed, 08 Jan 2025 06:53:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:54:54.440030
• Title: FSC-loss: A Frequency-domain Structure Consistency Learning Approach for Signal Data Recovery and Reconstruction
• Title（参考訳）: FSC-loss:信号データ復元と再構成のための周波数領域構造一貫性学習手法
• Authors: Liwen Zhang, Zhaoji Miao, Fan Yang, Gen Shi, Jie He, Yu An, Hui Hui, Jie Tian,
• Abstract要約: SMのグローバルおよびローカルな構造情報をモデル化するための周波数領域構造損失関数とデータコンポーネント埋め込み戦略を提案する。 オープンMPIデータにおける2つのシミュレーションデータセットと4つのパブリックなSMについて,本手法とSOTA(State-of-the-art)手法の評価を行った。
• 参考スコア（独自算出の注目度）: 21.31584278216944
• License:
• Abstract: A core challenge for signal data recovery is to model the distribution of signal matrix (SM) data based on measured low-quality data in biomedical engineering of magnetic particle imaging (MPI). For acquiring the high-resolution (high-quality) SM, the number of meticulous measurements at numerous positions in the field-of-view proves time-consuming (measurement of a 37x37x37 SM takes about 32 hours). To improve reconstructed signal quality and shorten SM measurement time, existing methods explore to generating high-resolution SM based on time-saving measured low-resolution SM (a 9x9x9 SM just takes about 0.5 hours). However, previous methods show poor performance for high-frequency signal recovery in SM. To achieve a high-resolution SM recovery and shorten its acquisition time, we propose a frequency-domain structure consistency loss function and data component embedding strategy to model global and local structural information of SM. We adopt a transformer-based network to evaluate this function and the strategy. We evaluate our methods and state-of-the-art (SOTA) methods on the two simulation datasets and four public measured SMs in Open MPI Data. The results show that our method outperforms the SOTA methods in high-frequency structural signal recovery. Additionally, our method can recover a high-resolution SM with clear high-frequency structure based on a down-sampling factor of 16 less than 15 seconds, which accelerates the acquisition time over 60 times faster than the measurement-based HR SM with the minimum error (nRMSE=0.041). Moreover, our method is applied in our three in-house MPI systems, and boost their performance for signal reconstruction.
• Abstract（参考訳）: 信号データ回復の鍵となる課題は、磁気粒子イメージング(MPI)のバイオメディカルエンジニアリングにおいて、測定された低品質データに基づいて信号行列(SM)データの分布をモデル化することである。 高分解能(高品質)SMを得るためには、視野の様々な位置における細かな測定の回数は時間がかかる(37x37x37SMの測定には約32時間を要する)。 再構成信号の品質を改善し、SM測定時間を短縮するため、既存の方法では、時間節約測定された低分解能SMに基づいて高分解能SMを生成する(9x9x9 SMは約0.5時間)。 しかし,従来の手法ではSMの高周波信号回復性能は低かった。 高分解能なSM回復を実現し、取得時間を短縮するために、SMのグローバルおよびローカルな構造情報をモデル化するための周波数領域構造整合性損失関数とデータコンポーネント埋め込み戦略を提案する。 我々はこの機能と戦略を評価するためにトランスフォーマーベースのネットワークを採用する。 オープンMPIデータにおける2つのシミュレーションデータセットと4つのパブリックなSMについて,本手法とSOTA(State-of-the-art)手法の評価を行った。 その結果,本手法は高周波数構造信号回復におけるSOTA法よりも優れていた。 さらに,15秒未満のダウンサンプリング係数に基づいて,高分解能SMをクリアな高周波数構造で復元し,最小誤差のHR SMの60倍以上の取得時間を高速化する(nRMSE=0.041)。 さらに,本手法を社内3種類のMPIシステムに適用し,信号再構成の性能向上を図る。

関連論文リスト

• A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
  本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。 拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
  論文  参考訳（メタデータ） (2024-10-25T03:42:35Z)
• PNR: Physics-informed Neural Representation for high-resolution LFM reconstruction [16.475992284654033]
  本稿では,高分解能LFM再構成法であるPNR(Physics-informed Neural Representation)を提案する。 提案手法は教師なしかつ明示的な特徴表現手法を取り入れ,PSNRがRTDよりも6.1dB向上した。 コードとデータセットは公開されます。
  論文  参考訳（メタデータ） (2024-09-26T19:02:51Z)
• DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
  本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。 ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
  論文  参考訳（メタデータ） (2024-09-01T15:12:48Z)
• Robust Simultaneous Multislice MRI Reconstruction Using Deep Generative Priors [4.23798859509348]
  同時マルチスライス(SMS)イメージングはMRI取得を加速させる強力な技術である。 本研究は, 深部生成前駆体を用いた頑健なSMS MRI再構成法を提案する。
  論文  参考訳（メタデータ） (2024-07-31T13:34:14Z)
• EEG-SSM: Leveraging State-Space Model for Dementia Detection [21.67998806043568]
  ステートスペースモデル(SSM)は、長いデータシーケンスを効果的に処理するために注目を集めている。 本研究では,脳波データを用いた認知症分類のための状態空間モデルに基づく新しいアプローチであるEEG-SSMを紹介する。
  論文  参考訳（メタデータ） (2024-07-25T06:20:03Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• ResFields: Residual Neural Fields for Spatiotemporal Signals [61.44420761752655]
  ResFieldsは、複雑な時間的信号を効果的に表現するために設計された新しいネットワークのクラスである。 本稿では,ResFieldの特性を包括的に解析し,トレーニング可能なパラメータの数を減らすための行列分解手法を提案する。 スパースRGBDカメラからダイナミックな3Dシーンをキャプチャする効果を示すことで,ResFieldsの実用性を実証する。
  論文  参考訳（メタデータ） (2023-09-06T16:59:36Z)
• mdctGAN: Taming transformer-based GAN for speech super-resolution with Modified DCT spectra [4.721572768262729]
  音声超解像(SSR)は、高分解能(HR)音声を対応する低分解能(LR)音声から復元することを目的としている。 近年のSSR法は、位相再構成の重要性を無視して、等級スペクトルの再構成に重点を置いている。 修正離散コサイン変換(MDCT)に基づく新しいSSRフレームワークであるmdctGANを提案する。
  論文  参考訳（メタデータ） (2023-05-18T16:49:46Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。