論文の概要: Joint Denoising of Cryo-EM Projection Images using Polar Transformers

• arxiv url: http://arxiv.org/abs/2506.11283v1
• Date: Thu, 12 Jun 2025 20:41:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.577167
• Title: Joint Denoising of Cryo-EM Projection Images using Polar Transformers
• Title（参考訳）: 極変圧器を用いたCryo-EM投影画像の合成
• Authors: Joakim Andén, Justus Sagemüller,
• Abstract要約: 本稿では,Cryo-EM画像のクラスタリング,アライメント,デノイングを同時に行うことで,クラス平均化手法を拡張したトランスフォーマに基づくニューラルネットワークアーキテクチャを提案する。 その結果,SNRが0.03ドルで相対平均2乗誤差(MSE)のDNNを45%削減できることがわかった。
• 参考スコア（独自算出の注目度）: 0.10742675209112623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks~(DNNs) have proven powerful for denoising, but they are ultimately of limited use in high-noise settings, such as for cryogenic electron microscopy~(cryo-EM) projection images. In this setting, however, datasets contain a large number of projections of the same molecule, each taken from a different viewing direction. This redundancy of information is useful in traditional denoising techniques known as class averaging methods, where images are clustered, aligned, and then averaged to reduce the noise level. We present a neural network architecture based on transformers that extends these class averaging methods by simultaneously clustering, aligning, and denoising cryo-EM images. Results on synthetic data show accurate denoising performance using this architecture, reducing the relative mean squared error (MSE) single-image DNNs by $45\%$ at a signal-to-noise (SNR) of $0.03$.
• Abstract（参考訳）: ディープ・ニューラル・ネットワーク~(DNN)はデノナイジングに強力であることが証明されているが、極端には極低温電子顕微鏡~(cryo-EM)プロジェクション画像のような高ノイズ設定に限られている。 しかし、この設定では、データセットには同じ分子の多数の投射が含まれており、それぞれが異なる観察方向から取られている。 この冗長性は、画像がクラスタ化され、アライメントされ、ノイズレベルを下げるために平均化される、クラス平均化(class averaging)と呼ばれる従来のデノーミング手法で有用である。 本稿では,Cryo-EM画像のクラスタリング,アライメント,デノイングを同時に行うことで,これらのクラス平均化手法を拡張したトランスフォーマに基づくニューラルネットワークアーキテクチャを提案する。 その結果,SNRが0.03ドルで相対平均2乗誤差(MSE)のDNNを45\%の値に削減した。

関連論文リスト

• Learning Multi-scale Spatial-frequency Features for Image Denoising [58.883244886588336]
  本稿では,マルチスケール適応型デュアルドメインネットワーク(MADNet)を提案する。 画像ピラミッド入力を用いて低解像度画像からノイズのない結果を復元する。 高周波情報と低周波情報の相互作用を実現するために,適応型空間周波数学習ユニットを設計する。
  論文  参考訳（メタデータ） (2025-06-19T13:28:09Z)
• DiffiT: Diffusion Vision Transformers for Image Generation [88.08529836125399]
  ViT(Vision Transformer)は、特に認識タスクにおいて、強力なモデリング機能とスケーラビリティを実証している。 拡散型生成学習におけるViTの有効性について検討し、拡散ビジョン変換器(DiffiT)と呼ばれる新しいモデルを提案する。 DiffiTはパラメータ効率が大幅に向上した高忠実度画像を生成するのに驚くほど効果的である。
  論文  参考訳（メタデータ） (2023-12-04T18:57:01Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• 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)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)
• Robust Deep Ensemble Method for Real-world Image Denoising [62.099271330458066]
  そこで本研究では,実世界の画像認識のための単純なベイズディープアンサンブル(BDE)手法を提案する。 我々のBDEは、最先端の復調法よりも+0.28dBPSNRのゲインを達成している。 我々のBDEは他の画像復元タスクにも拡張でき、ベンチマークデータセット上で+0.30dB、+0.18dB、+0.12dB PSNRゲインを達成することができる。
  論文  参考訳（メタデータ） (2022-06-08T06:19:30Z)
• 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)
• Image Denoising using Attention-Residual Convolutional Neural Networks [0.0]
  本稿では,学習に基づく新たな非盲検手法であるAttention Residual Convolutional Neural Network (ARCNN)を提案し,その拡張としてFlexible Attention Residual Convolutional Neural Network (FARCNN)を提案する。 ARCNNはガウス語とポアソン語で約0.44dBと0.96dBの平均PSNR結果を達成し、FARCNNはARCNNに比べて若干パフォーマンスが悪くても非常に一貫した結果を示した。
  論文  参考訳（メタデータ） (2021-01-19T16:37:57Z)
• 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)
• Enhancement of a CNN-Based Denoiser Based on Spatial and Spectral Analysis [23.11994688706024]
  本稿では,複数のノイズで劣化した画像を1つのモデルで復元する離散ウェーブレットデノイズCNN(WDnCNN)を提案する。 この問題に対処するために、周波数スペクトルの異なる部分から係数を正規化するバンド正規化モジュール(BNM)を提案する。 提案したWDnCNNを評価し,他の最先端のデノイザと比較した。
  論文  参考訳（メタデータ） (2020-06-28T05:25:50Z)
• Noise2Inverse: Self-supervised deep convolutional denoising for tomography [0.0]
  Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。 そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。 シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
  論文  参考訳（メタデータ） (2020-01-31T12:50:24Z)

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。