論文の概要: Conformal Bounds on Full-Reference Image Quality for Imaging Inverse Problems

• arxiv url: http://arxiv.org/abs/2505.09528v1
• Date: Wed, 14 May 2025 16:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 21:44:09.530375
• Title: Conformal Bounds on Full-Reference Image Quality for Imaging Inverse Problems
• Title（参考訳）: 画像逆問題に対するフル参照画像品質のコンフォーマル境界
• Authors: Jeffrey Wen, Rizwan Ahmad, Philip Schniter,
• Abstract要約: 画像逆問題では、PSNR、SSIM、LPIPSなどのフル参照画像品質(FRIQ)メトリクスの観点から、回復した画像が真の画像にどの程度近いかが知りたい。 我々は,MRI(MRI)問題に対する画像復号化と高速化のアプローチを実証する。
• 参考スコア（独自算出の注目度）: 11.393603788068777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In imaging inverse problems, we would like to know how close the recovered image is to the true image in terms of full-reference image quality (FRIQ) metrics like PSNR, SSIM, LPIPS, etc. This is especially important in safety-critical applications like medical imaging, where knowing that, say, the SSIM was poor could potentially avoid a costly misdiagnosis. But since we don't know the true image, computing FRIQ is non-trivial. In this work, we combine conformal prediction with approximate posterior sampling to construct bounds on FRIQ that are guaranteed to hold up to a user-specified error probability. We demonstrate our approach on image denoising and accelerated magnetic resonance imaging (MRI) problems. Code is available at https://github.com/jwen307/quality_uq.
• Abstract（参考訳）: 画像逆問題では、PSNR、SSIM、LPIPSなどのフル参照画像品質(FRIQ)メトリクスの観点から、回復した画像が真の画像にどの程度近いかが知りたい。 これは、医療画像のような安全に重要なアプリケーションにおいて特に重要であり、例えばSSIMが貧弱であったことを知ると、コストのかかる誤診を回避できる可能性がある。 しかし、私たちは真のイメージを知らないので、FRIQの計算は簡単ではありません。 本研究では,コンフォメーション予測と近似的な先行サンプリングを組み合わせることで,ユーザが特定した誤差確率を抑えることが保証されるFRIQ上の境界を構築する。 我々は,MRI(MRI)問題に対する画像復号化と高速化のアプローチを実証する。 コードはhttps://github.com/jwen307/quality_uq.comで入手できる。

関連論文リスト

• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• Autoregressive Image Diffusion: Generation of Image Sequence and Application in MRI [2.0318411357438086]
  生成モデルは画像分布を学習し、アンサンプされたk空間データから高品質な画像の再構成に使用できる。 画像系列に対する自己回帰画像拡散(AID)モデルを提案し,それを後部MRI再構成のサンプリングに用いた。 その結果,AIDモデルは逐次コヒーレントな画像列を確実に生成できることがわかった。
  論文  参考訳（メタデータ） (2024-05-23T08:57:10Z)
• Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
  我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。 メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T21:29:31Z)
• A Conditional Normalizing Flow for Accelerated Multi-Coil MR Imaging [12.31503281925152]
  我々は,測定演算子のヌル空間の信号成分を推論する新しい条件正規化フロー(CNF)を開発し,後に測定データと組み合わせて完全な画像を生成する。 高速MRI脳と膝関節データを用いて,近年のMRI後部サンプリング技術を上回る高速な推測と精度を示す。
  論文  参考訳（メタデータ） (2023-06-02T15:49:26Z)
• A Regularized Conditional GAN for Posterior Sampling in Image Recovery Problems [11.393603788068777]
  画像回復問題では、画像が歪んだり、不完全であったり、あるいはノイズによる破損した測定結果から推測しようとする。 本稿では,1秒間に数十個の高品質な後続サンプルを生成する正規化条件付きWasserstein GANを提案する。 本手法は, マルチコイルMRIと大規模インペインティングアプリケーションの両方において, 最先端の後方試料を作製する。
  論文  参考訳（メタデータ） (2022-10-24T16:43:00Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• Deep Residual Dense U-Net for Resolution Enhancement in Accelerated MRI Acquisition [19.422926534305837]
  本稿では,MRIの高速化による高画質画像の再構成を目的としたディープラーニング手法を提案する。 具体的には、畳み込みニューラルネットワーク(CNN)を用いて、エイリアス画像と元の画像の違いを学習する。 ダウンサンプリングされたk空間データの特異性を考慮すると、与えられたk空間データを効果的に活用する学習における損失関数に新しい用語を導入する。
  論文  参考訳（メタデータ） (2020-01-13T19:01:17Z)

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。