論文の概要: Noise2Ghost: Self-supervised deep convolutional reconstruction for ghost imaging

• arxiv url: http://arxiv.org/abs/2504.10288v1
• Date: Mon, 14 Apr 2025 14:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:53:30.399445
• Title: Noise2Ghost: Self-supervised deep convolutional reconstruction for ghost imaging
• Title（参考訳）: ノイズ2ゴースト:ゴーストイメージングのための自己監督型深部畳み込み再構築
• Authors: Mathieu Manni, Dmitry Karpov, K. Joost Batenburg, Sharon Shwartz, Nicola Viganò,
• Abstract要約: 本稿では,自己教師型深層学習に基づくゴーストイメージング(GI)再構成手法を提案する。 ノイズの多い買収のために、非並列的な再構築パフォーマンスを提供する。 彼らの応用には、生体サンプルと電池のin-vivoおよびin-operandoケーススタディが含まれる。
• 参考スコア（独自算出の注目度）: 0.3177496877224142
• License:
• Abstract: We present a new self-supervised deep-learning-based Ghost Imaging (GI) reconstruction method, which provides unparalleled reconstruction performance for noisy acquisitions among unsupervised methods. We present the supporting mathematical framework and results from theoretical and real data use cases. Self-supervision removes the need for clean reference data while offering strong noise reduction. This provides the necessary tools for addressing signal-to-noise ratio concerns for GI acquisitions in emerging and cutting-edge low-light GI scenarios. Notable examples include micro- and nano-scale x-ray emission imaging, e.g., x-ray fluorescence imaging of dose-sensitive samples. Their applications include in-vivo and in-operando case studies for biological samples and batteries.
• Abstract（参考訳）: 本稿では,教師なしの手法間でノイズ取得のための非並列的再構成性能を提供する,自己教師付きディープラーニングベースゴーストイメージング(GI)再構成手法を提案する。 本稿では,理論および実データ利用事例の数学的枠組みと結果について述べる。 自己監督は、強いノイズ低減を提供しながら、クリーンな参照データの必要性を取り除く。 これにより、新興および最先端の低照度GIシナリオにおけるGI取得に対する信号対雑音比の懸念に対処するために必要なツールが提供される。 注目すべき例としては、マイクロおよびナノスケールのX線放射イメージング、例えば、線量感受性試料のX線イメージングがある。 彼らの応用には、生体サンプルと電池のin-vivoおよびin-operandoケーススタディが含まれる。

関連論文リスト

• Limited-View Photoacoustic Imaging Reconstruction Via High-quality Self-supervised Neural Representation [4.274771298029378]
  HIgh-quality Self-supervised Neural representation (HIS) と呼ばれる自己教師ネットワークを導入する。 HISは、限られた視点で取得したセンサデータから高品質な光音響画像を再構成するために、光音響イメージングの逆問題に取り組む。 その結果,提案したHISモデルは,光音響画像再構成によく用いられる3つの手法と比較して,画質が優れていることがわかった。
  論文  参考訳（メタデータ） (2024-07-04T06:07:54Z)
• DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data [1.4665304971699265]
  スパースデータからのPAT画像再構成の問題を解決するために,DensePANetと呼ばれるエンドツーエンドの手法を提案する。 提案したモデルは、FD-UNet++と呼ばれるジェネレータにUNetを改良し、再構成性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-19T09:52:32Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Image Denoising and the Generative Accumulation of Photons [63.14988413396991]
  我々は,次の光子がどこに到着できるかを予測するために訓練されたネットワークが,実際に最小平均二乗誤差(MMSE)を解くことを示している。 自己監督型認知のための新しい戦略を提案する。 本稿では,画像に少量の光子を反復的にサンプリングし,付加することにより,可能な解の後方からサンプリングする新しい方法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T08:03:32Z)
• Unsupervised denoising for sparse multi-spectral computed tomography [2.969056717104372]
  我々は,64チャンネルPCD-CTのスパース測定から高品質な再構成を実現するための課題に対して,学習に基づく改善が適しているかを検討した。 本稿では, 再構成における異なるフィルタ関数と, スペクトルチャネルと核ノルムとの明示的な結合を利用して, 教師なしのデノベーションとアーティファクトの除去手法を提案する。
  論文  参考訳（メタデータ） (2022-11-02T14:36:24Z)
• Retinal Image Restoration and Vessel Segmentation using Modified Cycle-CBAM and CBAM-UNet [0.7868449549351486]
  畳み込みブロックアテンションモジュール(CBAM)を備えたサイクル一貫性生成対向ネットワーク(CycleGAN)を網膜画像復元に使用する。 修正されたUNetは、回復した網膜画像の網膜血管セグメンテーションに使用される。 提案手法は, アウト・オブ・フォーカスのぼかし, 色歪み, 低, 高, 不均一照明による劣化効果を著しく低減することができる。
  論文  参考訳（メタデータ） (2022-09-09T10:47:20Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Joint Optical Neuroimaging Denoising with Semantic Tasks [2.756263525080896]
  この作業は、教師付き denoising とセマンティックセグメンテーションモデルを結合して、エンドツーエンドモデルを形成する。 我々は、教師付きモデルと自己監督型モデルの両方を用いて、共同認知と分節設定の新しいコスト項を導入する。
  論文  参考訳（メタデータ） (2021-09-22T03:21:29Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。