Fugu-MT 論文翻訳(概要): Joint Denoising of Cryo-EM Projection Images using Polar Transformers

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

arxiv url: http://arxiv.org/abs/2506.11283v2
Date: Tue, 14 Oct 2025 19:31:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-16 15:32:13.69352
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: 完全なエンドツーエンド再構築アプローチでは、複数のイメージからの情報を統合するニューラルネットワークアーキテクチャが必要になる。極性表現と変圧器を組み合わせた新しいニューラルネットワークアーキテクチャである極性変換器を紹介する。シミュレーションデータセットでは、平均二乗誤差(MSE)を0.02ドルの信号対雑音比(SNR)で最大2ドル削減できる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many imaging modalities involve reconstruction of unknown objects from collections of noisy projections related by random rotations. In one of these modalities, cryogenic electron microscopy (cryo-EM), the extremely low signal-to-noise ratio (SNR) makes integration of information from multiple images crucial. Existing approaches to cryo-EM processing, however, either rely on handcrafted priors or apply deep learning only on select portions of the pipeline, such as particle picking, micrograph denoising, or refinement. A fully end-to-end reconstruction approach requires a neural network architecture that integrates information from multiple images while respecting the rotational symmetry of the measurement process. In this work, we introduce the polar transformer, a new neural network architecture that combines polar representations and transformers along with a convolutional attention mechanism that preserves the rotational symmetry of the problem. We apply it to the particle-level denoising problem, where it is able to learn discriminative features in the images, enabling optimal clustering, alignment, and denoising. On simulated datasets, this achieves up to a $2\times$ reduction in mean squared error (MSE) at a signal-to-noise ratio (SNR) of $0.02$, suggesting new opportunities for data-driven approaches to reconstruction in cryo-EM and related tomographic modalities.
Abstract（参考訳）: 多くの画像モダリティは、ランダムな回転に関連するノイズのある投影の集合から未知の物体を再構成することを含む。これらのモダリティの1つに、極低信号-雑音比(SNR)である低温電子顕微鏡(cryo-EM)がある。しかし、既存のCryo-EM処理のアプローチでは、手作りの先行技術に頼るか、パーティクルピック、マイクログラフデノイング、精細化といったパイプラインの特定の部分にのみディープラーニングを適用する。完全なエンドツーエンド再構築アプローチでは、測定プロセスの回転対称性を尊重しながら、複数の画像からの情報を統合するニューラルネットワークアーキテクチャが必要である。本研究では、ポーラ表現と変圧器を組み合わせた新しいニューラルネットワークアーキテクチャであるポーラ変換器と、問題の回転対称性を保存する畳み込みアテンション機構を導入する。画像中の識別的特徴を学習し、最適なクラスタリング、アライメント、デノナイジングを可能にする粒子レベルのデノナイジング問題に適用する。シミュレーションデータセットでは、平均二乗誤差(MSE)を0.02ドルの信号対雑音比(SNR)で最大$2\times$削減し、Cryo-EMの再構成と関連するトモグラフィーモダリティに対するデータ駆動アプローチの新たな機会を示唆している。

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。