論文の概要: Conditional Diffusion Model for Electrical Impedance Tomography
- arxiv url: http://arxiv.org/abs/2501.05769v1
- Date: Fri, 10 Jan 2025 07:58:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-13 15:27:29.331214
- Title: Conditional Diffusion Model for Electrical Impedance Tomography
- Title（参考訳）: 電気インピーダンストモグラフィにおける条件拡散モデル
- Authors: Duanpeng Shi, Wendong Zheng, Di Guo, Huaping Liu,
- Abstract要約: 電気インピーダンストモグラフィ(EIT)は、産業検査、医療モニタリング、触覚センシングの分野で広く用いられている非侵襲イメージング技術である。
EIT逆問題の本質的な非線形性や不条件性のため、再構成された画像は測定データに非常に敏感であり、乱ノイズアーティファクトは再構成された画像にしばしば現れる。
本研究では,電圧整合性を有する条件拡散モデル(CDMVC)を提案する。
- 参考スコア（独自算出の注目度）: 17.831065873724153
- License:
- Abstract: Electrical impedance tomography (EIT) is a non-invasive imaging technique, which has been widely used in the fields of industrial inspection, medical monitoring and tactile sensing. However, due to the inherent non-linearity and ill-conditioned nature of the EIT inverse problem, the reconstructed image is highly sensitive to the measured data, and random noise artifacts often appear in the reconstructed image, which greatly limits the application of EIT. To address this issue, a conditional diffusion model with voltage consistency (CDMVC) is proposed in this study. The method consists of a pre-imaging module, a conditional diffusion model for reconstruction, a forward voltage constraint network and a scheme of voltage consistency constraint during sampling process. The pre-imaging module is employed to generate the initial reconstruction. This serves as a condition for training the conditional diffusion model. Finally, based on the forward voltage constraint network, a voltage consistency constraint is implemented in the sampling phase to incorporate forward information of EIT, thereby enhancing imaging quality. A more complete dataset, including both common and complex concave shapes, is generated. The proposed method is validated using both simulation and physical experiments. Experimental results demonstrate that our method can significantly improves the quality of reconstructed images. In addition, experimental results also demonstrate that our method has good robustness and generalization performance.
- Abstract（参考訳）: 電気インピーダンストモグラフィ(EIT)は、産業検査、医療モニタリング、触覚センシングの分野で広く用いられている非侵襲イメージング技術である。
しかし、EIT逆問題の本質的な非線形性や不条件性のため、再構成された画像は測定データに非常に敏感であり、乱ノイズアーティファクトは再構成された画像にしばしば現れ、EITの適用を大幅に制限する。
本研究では,電圧整合性を有する条件拡散モデル(CDMVC)を提案する。
プリイメージングモジュール、再構成のための条件拡散モデル、フォワード電圧制約ネットワーク、サンプリングプロセス中の電圧一貫性制約のスキームから構成される。
プリイメージングモジュールは、初期再構成を生成するために使用される。
これは条件拡散モデルを訓練するための条件として機能する。
そして、このフォワード電圧制約ネットワークに基づいて、サンプリングフェーズに電圧一貫性制約を実装して、EITのフォワード情報を取り込み、撮像品質を向上させる。
一般的な凹凸形状と複雑な凹凸形状の両方を含む、より完全なデータセットが生成される。
提案手法はシミュレーションと物理実験の両方を用いて検証した。
実験により,本手法は再構成画像の品質を著しく向上させることができることが示された。
さらに,本手法は高いロバスト性および一般化性能を有することを示した。
関連論文リスト
- A Conditional Diffusion Model for Electrical Impedance Tomography Image Reconstruction [3.2814751789071273]
電気インピーダンストモグラフィ(EIT)は、組織や材料の電気伝導度のイメージを再構成する非侵襲的イメージング技術である。
アンダーサンプル電圧データと高分解能伝導率画像とのミスマッチにより、EIT画像再構成が悪くなる。
CDEITと呼ばれるEIT再構成のための条件拡散モデルに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2024-12-22T11:43:00Z) - 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) - Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。
実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。
我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
論文 参考訳（メタデータ） (2024-09-29T07:14:16Z) - Diff-INR: Generative Regularization for Electrical Impedance Tomography [6.7667436349597985]
電気インピーダンストモグラフィ(EIT)は、境界測定から体内の導電率分布を再構成する。
EIT再構成は、正確な結果が複雑である不適切な非線形逆問題によって妨げられる。
拡散モデルを用いて生成正規化とインプリシットニューラル表現(INR)を組み合わせた新しい手法であるDiff-INRを提案する。
論文 参考訳（メタデータ） (2024-09-06T14:21:23Z) - Joint Conditional Diffusion Model for Image Restoration with Mixed Degradations [29.14467633167042]
悪天候下における画像復元のための新しい手法を提案する。
大気散乱モデルに基づく混合劣化モデルを用いて, 復元過程全体を導出する。
マルチウェザーおよび気象特化データセットの実験は、最先端の競合手法よりも、我々の手法が優れていることを示す。
論文 参考訳（メタデータ） (2024-04-11T14:07:16Z) - TC-DiffRecon: Texture coordination MRI reconstruction method based on
diffusion model and modified MF-UNet method [2.626378252978696]
本稿では,T-DiffReconという名前の拡散モデルに基づくMRI再構成法を提案する。
また、モデルにより生成されたMRI画像の品質を高めるために、MF-UNetモジュールを組み込むことを提案する。
論文 参考訳（メタデータ） (2024-02-17T13:09:00Z) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。
様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文 参考訳（メタデータ） (2023-08-28T08:47:06Z) - 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) - DOLCE: A Model-Based Probabilistic Diffusion Framework for Limited-Angle
CT Reconstruction [42.028139152832466]
Limited-Angle Computed Tomography (LACT) は、セキュリティから医療まで様々な用途で使用される非破壊的評価技術である。
DOLCEは、条件付き拡散モデルを画像として用いた、LACTのための新しいディープモデルベースのフレームワークである。
論文 参考訳（メタデータ） (2022-11-22T15:30:38Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - FD-GAN: Generative Adversarial Networks with Fusion-discriminator for
Single Image Dehazing [48.65974971543703]
画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。
我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。
実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
論文 参考訳（メタデータ） (2020-01-20T04:36:11Z)
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。