論文の概要: SDEIT: Semantic-Driven Electrical Impedance Tomography

• arxiv url: http://arxiv.org/abs/2504.04185v1
• Date: Sat, 05 Apr 2025 14:08:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 05:24:46.533061
• Title: SDEIT: Semantic-Driven Electrical Impedance Tomography
• Title（参考訳）: SDEIT: セマンティック駆動型電気インピーダンストモグラフィ
• Authors: Dong Liu, Yuanchao Wu, Bowen Tong, Jiansong Deng,
• Abstract要約: SDEITはStable Diffusion 3.5をEITに統合する新しい意味駆動型フレームワークである。 暗黙的ニューラル表現(INR)ネットワークとプラグアンドプレイ最適化スキームを結合することにより、SDEITは構造的一貫性を改善し、詳細を回復する。 この研究は、マルチモーダル前処理をEITのような不測の逆問題に統合するための新しい経路を開く。
• 参考スコア（独自算出の注目度）: 7.872153285062159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regularization methods using prior knowledge are essential in solving ill-posed inverse problems such as Electrical Impedance Tomography (EIT). However, designing effective regularization and integrating prior information into EIT remains challenging due to the complexity and variability of anatomical structures. In this work, we introduce SDEIT, a novel semantic-driven framework that integrates Stable Diffusion 3.5 into EIT, marking the first use of large-scale text-to-image generation models in EIT. SDEIT employs natural language prompts as semantic priors to guide the reconstruction process. By coupling an implicit neural representation (INR) network with a plug-and-play optimization scheme that leverages SD-generated images as generative priors, SDEIT improves structural consistency and recovers fine details. Importantly, this method does not rely on paired training datasets, increasing its adaptability to varied EIT scenarios. Extensive experiments on both simulated and experimental data demonstrate that SDEIT outperforms state-of-the-art techniques, offering superior accuracy and robustness. This work opens a new pathway for integrating multimodal priors into ill-posed inverse problems like EIT.
• Abstract（参考訳）: EIT(Electronic Impedance Tomography)のような不適切な逆問題の解決には,事前知識を用いた正規化手法が不可欠である。 しかし、解剖学的構造の複雑さと変動性のため、効果的な正規化を設計し、事前情報をEITに統合することは依然として困難である。 本稿では,SDEITを紹介する。SDEITは,Stable Diffusion 3.5をEITに統合した,新しい意味駆動型フレームワークである。 SDEITは、自然言語プロンプトをセマンティックプリエントとして使用して、再構築プロセスのガイドを行っている。 SDEITは、暗黙の神経表現(INR)ネットワークと、SD生成した画像を生成先として活用するプラグアンドプレイ最適化スキームを結合することにより、構造的一貫性を改善し、詳細を回復する。 重要なことは、この方法はペア化されたトレーニングデータセットに頼らず、様々なEITシナリオへの適応性を高めることである。 シミュレーションデータと実験データの両方において、SDEITは最先端技術より優れ、精度と堅牢性に優れることを示した。 この研究は、マルチモーダル前処理をEITのような不測の逆問題に統合するための新しい経路を開く。

関連論文リスト

• Physics-Driven Neural Compensation For Electrical Impedance Tomography [7.256725037878305]
  EIT(Electronic Impedance Tomography)は、非侵襲的でポータブルな画像モダリティを提供する。 EITは2つの主要な課題に直面している: 逆問題の性質の悪さと空間的変動、位置依存感度分布である。 EITの物理原理を取り入れた教師なしディープラーニングフレームワークであるPhyNC(Physics-driven Neural Compensation)を提案する。
  論文  参考訳（メタデータ） (2025-04-25T04:44:00Z)
• Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training [49.8035317670223]
  科学基盤モデル(SciFM)は、様々な領域にまたがる伝達可能な表現を学習するための有望なツールとして登場しつつある。 本稿では,PDE残差を単独の学習信号として,あるいはデータ損失と組み合わせて事前学習に組み込むことにより,限定的あるいは実用的でないトレーニングデータに補償することを提案する。 以上の結果から, PDE制約による事前学習は, 解データのみを訓練したモデルよりも, 一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-03-24T19:12:39Z)
• Synthetic Data is an Elegant GIFT for Continual Vision-Language Models [52.343627275005026]
  GIFTはVision-Language Modelsにおける破滅的な忘れを克服するための、新しい連続的な微調整手法である。 我々は、事前学習と下流タスクデータの両方を再現するために、事前学習した拡散モデルを用いる。 提案手法は,様々な設定において従来手法よりも常に優れていた。
  論文  参考訳（メタデータ） (2025-03-06T09:09:18Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• MR-EIT: Multi-Resolution Reconstruction for Electrical Impedance Tomography via Data-Driven and Unsupervised Dual-Mode Neural Networks [14.303339179604537]
  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。
  論文  参考訳（メタデータ） (2025-03-02T07:06:42Z)
• 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)
• 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)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• A Decomposition-Based Hybrid Ensemble CNN Framework for Improving Cross-Subject EEG Decoding Performance [6.762514044136396]
  脳波信号の復号化能力を高めるために,分解に基づくハイブリッドアンサンブル畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 私たちのフレームワークは、任意のCNNアーキテクチャに簡単に拡張でき、EEG関連のセクターにも適用できます。
  論文  参考訳（メタデータ） (2022-03-14T13:12:31Z)
• Learning A 3D-CNN and Transformer Prior for Hyperspectral Image Super-Resolution [80.93870349019332]
  本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。 具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-27T15:38:57Z)

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。