論文の概要: Reconstruct Anything Model: a lightweight foundation model for computational imaging

• arxiv url: http://arxiv.org/abs/2503.08915v1
• Date: Tue, 11 Mar 2025 21:53:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:38:49.271625
• Title: Reconstruct Anything Model: a lightweight foundation model for computational imaging
• Title（参考訳）: Reconstruct Anything Model: 計算イメージングのための軽量基礎モデル
• Authors: Matthieu Terris, Samuel Hurault, Maxime Song, Julian Tachella,
• Abstract要約: 本稿では,フォワード演算子(獲得物理とノイズパラメータ)に関する知識を,アンローリングに頼らずに組み込んだ新しいアーキテクチャを提案する。 本モデルは, 脱臭, 磁気共鳴イメージング, トモグラフィ, 塗装, 超高分解能といった, 脱臭以外の幅広い逆問題を解決するために訓練されている。
• 参考スコア（独自算出の注目度）: 3.3248768737711054
• License:
• Abstract: Most existing learning-based methods for solving imaging inverse problems can be roughly divided into two classes: iterative algorithms, such as plug-and-play and diffusion methods, that leverage pretrained denoisers, and unrolled architectures that are trained end-to-end for specific imaging problems. Iterative methods in the first class are computationally costly and often provide suboptimal reconstruction performance, whereas unrolled architectures are generally specific to a single inverse problem and require expensive training. In this work, we propose a novel non-iterative, lightweight architecture that incorporates knowledge about the forward operator (acquisition physics and noise parameters) without relying on unrolling. Our model is trained to solve a wide range of inverse problems beyond denoising, including deblurring, magnetic resonance imaging, computed tomography, inpainting, and super-resolution. The proposed model can be easily adapted to unseen inverse problems or datasets with a few fine-tuning steps (up to a few images) in a self-supervised way, without ground-truth references. Throughout a series of experiments, we demonstrate state-of-the-art performance from medical imaging to low-photon imaging and microscopy.
• Abstract（参考訳）: 既存の学習ベースの画像解析法の多くは、プラグアンドプレイ法や拡散法のような、訓練済みのデノイザを利用する反復的アルゴリズムと、特定の撮像問題に対してエンドツーエンドに訓練されたアーキテクチャの2つのクラスに大別することができる。 第1クラスの反復的手法は計算コストが高く、しばしば最適でない再構築性能を提供するが、アンロールアーキテクチャは一般的に1つの逆問題に特化しており、高価なトレーニングを必要とする。 本研究では,フォワード演算子(獲得物理とノイズパラメータ)に関する知識を,アンローリングに頼ることなく組み込んだ非定性軽量アーキテクチャを提案する。 本モデルは, 脱臭, 磁気共鳴イメージング, トモグラフィ, 塗装, 超高分解能といった, 脱臭以外の幅広い逆問題を解決するために訓練されている。 提案手法は, 直視できない逆問題やデータセットに対して, ゼロトラスト参照を伴わずに, 自己教師付きで数ステップ(最大数イメージ)で容易に適応できる。 一連の実験を通して、医療画像から低光子イメージング、顕微鏡まで、最先端のパフォーマンスを実証した。

関連論文リスト

• Meta-Prior: Meta learning for Adaptive Inverse Problem Solvers [9.364509804053275]
  現実のイメージングの課題は、しばしば真実のデータを欠いているため、従来の監督されたアプローチは効果がない。 本手法では,様々な画像処理タスクに対してメタモデルを訓練し,特定のタスクに対して効率的に微調整を行う。 簡単な設定で、このアプローチはベイズ最適推定器を復元し、我々のアプローチの健全性を示す。
  論文  参考訳（メタデータ） (2023-11-30T17:02:27Z)
• UMat: Uncertainty-Aware Single Image High Resolution Material Capture [2.416160525187799]
  本研究では, 物体の単一拡散像から正規性, 特異性, 粗さを復元する学習手法を提案する。 本手法は材料デジタル化における不確実性をモデル化する問題に最初に対処する手法である。
  論文  参考訳（メタデータ） (2023-05-25T17:59:04Z)
• 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)
• Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
  そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。 提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
  論文  参考訳（メタデータ） (2022-08-05T19:05:16Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Model-based Reconstruction with Learning: From Unsupervised to Supervised and Beyond [8.847248042144681]
  古典的モデルに基づく再構成手法を簡潔に議論し、モデルベースと学習ベースのパラダイムの交差点で再構成手法を詳細に検討する。 このレビューには、教師なし学習、監督なし学習に基づく多くの最近の方法、および複数のタイプの学習モデルを組み合わせるためのフレームワークが含まれています。
  論文  参考訳（メタデータ） (2021-03-26T15:33:59Z)
• Uncalibrated Neural Inverse Rendering for Photometric Stereo of General Surfaces [103.08512487830669]
  本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。 既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。 本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
  論文  参考訳（メタデータ） (2020-12-12T10:33:08Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Supervised Learning of Sparsity-Promoting Regularizers for Denoising [13.203765985718205]
  本稿では,画像復調のための疎度促進型正規化器の教師あり学習法を提案する。 実験の結果,提案手法はよく知られた正規化器よりも優れた演算子を学習できることがわかった。
  論文  参考訳（メタデータ） (2020-06-09T21:38:05Z)

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。