論文の概要: MR-EIT: Multi-Resolution Reconstruction for Electrical Impedance Tomography via Data-Driven and Unsupervised Dual-Mode Neural Networks

• arxiv url: http://arxiv.org/abs/2503.00762v1
• Date: Sun, 02 Mar 2025 07:06:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:21:37.654992
• Title: MR-EIT: Multi-Resolution Reconstruction for Electrical Impedance Tomography via Data-Driven and Unsupervised Dual-Mode Neural Networks
• Title（参考訳）: MR-EIT:データ駆動型・教師なしデュアルモードニューラルネットワークによる電気インピーダンストモグラフィの多分解能再構成
• Authors: Fangming Shi, Jinzhen Liu, Xiangqian Meng, Yapeng Zhou, Hui Xiong,
• Abstract要約: 電気インピーダンストモグラフィ(EIT)の多分解能再構成法を提案する。 教師なしと教師なしの両方の学習モードで操作できる。 MR-EITは構造類似性(SSIM)と相対画像誤差(RIE)で比較法より優れていることを示す実験結果を得た。
• 参考スコア（独自算出の注目度）: 14.303339179604537
• License:
• Abstract: This paper presents a multi-resolution reconstruction method for Electrical Impedance Tomography (EIT), referred to as MR-EIT, which is capable of operating in both supervised and unsupervised learning modes. MR-EIT integrates an ordered feature extraction module and an unordered coordinate feature expression module. The former achieves the mapping from voltage to two-dimensional conductivity features through pre-training, while the latter realizes multi-resolution reconstruction independent of the order and size of the input sequence by utilizing symmetric functions and local feature extraction mechanisms. In the data-driven mode, MR-EIT reconstructs high-resolution images from low-resolution data of finite element meshes through two stages of pre-training and joint training, and demonstrates excellent performance in simulation experiments. In the unsupervised learning mode, MR-EIT does not require pre-training data and performs iterative optimization solely based on measured voltages to rapidly achieve image reconstruction from low to high resolution. It shows robustness to noise and efficient super-resolution reconstruction capabilities in both simulation and real water tank experiments. Experimental results indicate that MR-EIT outperforms the comparison methods in terms of Structural Similarity (SSIM) and Relative Image Error (RIE), especially in the unsupervised learning mode, where it can significantly reduce the number of iterations and improve image reconstruction quality.
• Abstract（参考訳）: 本稿では、MR-EITと呼ばれる、教師あり学習モードと教師なし学習モードの両方で動作可能な電気インピーダンストモグラフィ(EIT)の多分解能再構成法を提案する。 MR-EITは順序付けされた特徴抽出モジュールと順序付けされていない座標特徴表現モジュールを統合する。 前者は事前学習により電圧から2次元導電特性へのマッピングを実現し、後者は対称関数と局所特徴抽出機構を利用して入力シーケンスの順序と大きさに依存しない多分解能再構成を実現する。 データ駆動型モードでは、MR-EITは、有限要素メッシュの低分解能データから事前トレーニングと関節トレーニングの2段階を通して高分解能画像を再構成し、シミュレーション実験において優れた性能を示す。 教師なし学習モードでは、MR-EITは事前学習データを必要とせず、測定電圧のみに基づいて反復最適化を行い、低解像度から高解像度の画像再構成を迅速に行う。 騒音に対する堅牢性を示し、シミュレーションと実際の水槽実験の両方において効率的な超解像再構成能力を示す。 実験の結果,MR-EIT は構造類似性 (SSIM) と相対画像誤差 (RIE) において比較手法より優れており,特に教師なし学習モードでは,反復回数を大幅に削減し,画像再構成品質を向上させることが示唆された。

関連論文リスト

• Conditional Diffusion Model for Electrical Impedance Tomography [17.831065873724153]
  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。
  論文  参考訳（メタデータ） (2025-01-10T07:58:38Z)
• 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)
• Binarized Diffusion Model for Image Super-Resolution [61.963833405167875]
  超圧縮アルゴリズムであるバイナリ化は、高度な拡散モデル(DM)を効果的に加速する可能性を提供する 既存の二項化法では性能が著しく低下する。 画像SRのための新しいバイナライズ拡散モデルBI-DiffSRを提案する。
  論文  参考訳（メタデータ） (2024-06-09T10:30:25Z)
• Magnetic Resonance Image Processing Transformer for General Accelerated Image Reconstruction [2.7802624923496353]
  本稿では, MR-IPT(MR共振画像処理変換器)について紹介する。 MR-IPTは共有トランスフォーマーのバックボーンを活用することで、普遍的な特徴表現を効果的に学習し、多様な再構成タスクを一般化する。 以上の結果から, トランスフォーマーを用いた一般モデルではMRIの再構成が大幅に向上し, 適応性と安定性が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-05-23T23:13:02Z)
• Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• ESTformer: Transformer Utilizing Spatiotemporal Dependencies for EEG Super-resolution [14.2426667945505]
  ESTformerは、Transformerに基づいた一時的な依存関係を利用するEEGフレームワークである。 ESTformerは、空間と時間次元に位置符号化法とマルチヘッド自己認識機構を適用する。
  論文  参考訳（メタデータ） (2023-12-03T12:26:32Z)
• Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
  画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
  論文  参考訳（メタデータ） (2023-10-29T13:58:57Z)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• 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)
• Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic Mode Decomposition [1.933681537640272]
  半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。 複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。 本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
  論文  参考訳（メタデータ） (2020-08-27T18:21:46Z)

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。