論文の概要: Filter2Noise: Interpretable Self-Supervised Single-Image Denoising for Low-Dose CT with Attention-Guided Bilateral Filtering
- arxiv url: http://arxiv.org/abs/2504.13519v1
- Date: Fri, 18 Apr 2025 07:15:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 18:53:45.179829
- Title: Filter2Noise: Interpretable Self-Supervised Single-Image Denoising for Low-Dose CT with Attention-Guided Bilateral Filtering
- Title（参考訳）: Filter2Noise: 意識誘導型両側フィルタを用いた低線量CTのための自己監督型単一画像復調法
- Authors: Yipeng Sun, Linda-Sophie Schneider, Mingxuan Gu, Siyuan Mei, Chengze Ye, Fabian Wagner, Siming Bayer, Andreas Maier,
- Abstract要約: 解釈可能な自己教師型単一画像復調フレームワーク Filter2Noise (F2N) を提案する。
本手法では,軽量モジュールを介して各ノイズに適応するアテンションガイドバイラテラルフィルタを提案する。
マヨクリニック2016の低用量CTデータセットでは、F2Nは4.5dB9 PSNRで指導的な自己監督シングルイメージ法(ZS-N2N)より優れている。
- 参考スコア（独自算出の注目度）: 3.788107003189284
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Effective denoising is crucial in low-dose CT to enhance subtle structures and low-contrast lesions while preventing diagnostic errors. Supervised methods struggle with limited paired datasets, and self-supervised approaches often require multiple noisy images and rely on deep networks like U-Net, offering little insight into the denoising mechanism. To address these challenges, we propose an interpretable self-supervised single-image denoising framework -- Filter2Noise (F2N). Our approach introduces an Attention-Guided Bilateral Filter that adapted to each noisy input through a lightweight module that predicts spatially varying filter parameters, which can be visualized and adjusted post-training for user-controlled denoising in specific regions of interest. To enable single-image training, we introduce a novel downsampling shuffle strategy with a new self-supervised loss function that extends the concept of Noise2Noise to a single image and addresses spatially correlated noise. On the Mayo Clinic 2016 low-dose CT dataset, F2N outperforms the leading self-supervised single-image method (ZS-N2N) by 4.59 dB PSNR while improving transparency, user control, and parametric efficiency. These features provide key advantages for medical applications that require precise and interpretable noise reduction. Our code is demonstrated at https://github.com/sypsyp97/Filter2Noise.git .
- Abstract（参考訳）: 低用量CTでは,診断誤差を予防しつつ,微妙な構造や低コントラスト病変を増強することが重要である。
監視されたメソッドは、限定されたペアデータセットと苦労するが、自己管理的なアプローチでは、複数のノイズの多いイメージが必要になり、U-Netのようなディープネットワークに依存し、デノナイジングメカニズムに関する洞察がほとんどない。
これらの課題に対処するため,F2N (Filter2Noise) という自己監督型単一画像記述フレームワークを提案する。
提案手法では,各雑音に適応したアテンションガイドバイラテラルフィルタを導入し,空間的に変化するフィルタパラメータを予測する。
本研究では,ノイズ2ノイズの概念を単一画像に拡張し,空間的に相関する雑音に対処する自己教師付き損失関数を新たに導入する。
マヨクリニック2016の低用量CTデータセットでは、F2Nは、透明性、ユーザコントロール、パラメトリック効率を改善しながら、4.59dBのPSNRで指導的な自己監督シングルイメージ法(ZS-N2N)より優れている。
これらの特徴は、正確かつ解釈可能なノイズ低減を必要とする医療応用に重要な利点をもたらす。
私たちのコードはhttps://github.com/sypsyp97/Filter2Noise.gitで実証されています。
関連論文リスト
- Positive2Negative: Breaking the Information-Lossy Barrier in Self-Supervised Single Image Denoising [26.67217493971613]
既存の自己監督型イメージデノイングパラダイムは、情報ロッキーな操作に大きく依存している。
本稿では,情報ロジイ障壁を壊すために,自己監督型単一画像認識パラダイムであるPositive2Negativeを提案する。
本パラダイムは,自己監督型単一画像における最先端性能を実現し,大幅な速度向上を実現している。
論文 参考訳（メタデータ） (2024-12-21T03:25:01Z) - Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。
NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
論文 参考訳（メタデータ） (2024-11-16T16:24:28Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - One-Pot Multi-Frame Denoising [11.372794025435955]
複数フレーム画像に対する一点雑音除去(OPD)という教師なし学習手法を提案する。
OPDは複数のフレームの相互監督を実行し、学習の多様性を高める。
実際の実験では、OPDはSOTAの教師なし復調法として振る舞う。
論文 参考訳（メタデータ） (2023-02-18T09:32:59Z) - Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。
ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。
本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-26T14:11:05Z) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:46:36Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z) - Flexible Image Denoising with Multi-layer Conditional Feature Modulation [56.018132592622706]
条件付き特徴変調(CFM)モジュールを備えたU-Netバックボーンを備えることにより,新しいフレキシブル画像符号化ネットワーク(CFMNet)を提案する。
CFMNetは、第1層のみのチャネルワイドシフトと比較して、複数のCFM層を配置することでノイズレベル情報をよりよく利用することができる。
我々のCFMNetは、フレキシブルな非盲検のためのノイズレベル情報を利用するのに有効であり、定量的メトリクスと視覚的品質の両方の観点から、既存の深部画像復調法に対して好適に機能する。
論文 参考訳（メタデータ） (2020-06-24T06:00:00Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
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。