論文の概要: D-CNN and VQ-VAE Autoencoders for Compression and Denoising of Industrial X-ray Computed Tomography Images

• arxiv url: http://arxiv.org/abs/2507.07704v1
• Date: Thu, 10 Jul 2025 12:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.395274
• Title: D-CNN and VQ-VAE Autoencoders for Compression and Denoising of Industrial X-ray Computed Tomography Images
• Title（参考訳）: 産業用X線CT画像の圧縮・復調のためのD-CNNおよびVQ-VAEオートエンコーダ
• Authors: Bardia Hejazi, Keerthana Chand, Tobias Fritsch, Giovanni Bruno,
• Abstract要約: 本研究では,深層学習オートエンコーダを用いた産業用X線CTデータの圧縮について検討した。 圧縮速度が異なる2つのネットワークアーキテクチャ、ディープ畳み込みニューラルネットワーク(D-CNN)とベクトル量子化変分オートエンコーダ(VQ-VAE)が使用された。 圧縮率の異なる2つの異なるディープラーニングアーキテクチャから得られた復号画像の品質を定量化し、元の入力データと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ever-growing volume of data in imaging sciences stemming from the advancements in imaging technologies, necessitates efficient and reliable storage solutions for such large datasets. This study investigates the compression of industrial X-ray computed tomography (XCT) data using deep learning autoencoders and examines how these compression algorithms affect the quality of the recovered data. Two network architectures with different compression rates were used, a deep convolution neural network (D-CNN) and a vector quantized variational autoencoder (VQ-VAE). The XCT data used was from a sandstone sample with a complex internal pore network. The quality of the decoded images obtained from the two different deep learning architectures with different compression rates were quantified and compared to the original input data. In addition, to improve image decoding quality metrics, we introduced a metric sensitive to edge preservation, which is crucial for three-dimensional data analysis. We showed that different architectures and compression rates are required depending on the specific characteristics needed to be preserved for later analysis. The findings presented here can aid scientists to determine the requirements and strategies for their data storage and analysis needs.
• Abstract（参考訳）: 画像科学におけるデータ量の増加は、画像技術の進歩に起因し、そのような大規模なデータセットに対して、効率的で信頼性の高いストレージソリューションを必要とする。 本研究では, 深層学習オートエンコーダを用いた産業用X線CTデータの圧縮について検討し, これらの圧縮アルゴリズムが得られたデータの品質に与える影響について検討した。 圧縮速度が異なる2つのネットワークアーキテクチャ、ディープ畳み込みニューラルネットワーク(D-CNN)とベクトル量子化変分オートエンコーダ(VQ-VAE)が使用された。 使用したXCTデータは、複雑な内部孔ネットワークを持つ砂岩試料から得られた。 圧縮率の異なる2つの異なるディープラーニングアーキテクチャから得られた復号画像の品質を定量化し、元の入力データと比較した。 さらに,画像復号品質の指標を改善するために,エッジ保存に敏感なメトリクスを導入した。 アーキテクチャや圧縮速度は,後述の分析に要する特性によって異なることがわかった。 ここで示された結果は、科学者がデータストレージと分析のニーズに対する要件と戦略を決定するのに役立つ。

関連論文リスト

• Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
  デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。 JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。 本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
  論文  参考訳（メタデータ） (2025-03-14T17:01:17Z)
• Convolutional variational autoencoders for secure lossy image compression in remote sensing [47.75904906342974]
  本研究では,畳み込み変分オートエンコーダ(CVAE)に基づく画像圧縮について検討する。 CVAEは、JPEG2000のような従来の圧縮手法を圧縮ベンチマークデータセットのかなりのマージンで上回ることが示されている。
  論文  参考訳（メタデータ） (2024-04-03T15:17:29Z)
• Neural-based Compression Scheme for Solar Image Data [8.374518151411612]
  我々は、NASAのデータ集約画像ミッションで使用されるニューラルネットワークに基づく損失圧縮手法を提案する。 本研究では,画像の局所構造と大域構造の両方を捉えるために,局所的および非局所的アテンションモジュールを備えた逆トレーニングニューラルネットワークを提案する。 このアルゴリズムをSDOデータ解析に使用するための概念実証として、圧縮画像を用いてコロナホール(CH)検出を行った。
  論文  参考訳（メタデータ） (2023-11-06T04:13:58Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• COIN++: Data Agnostic Neural Compression [55.27113889737545]
  COIN++は、幅広いデータモダリティをシームレスに扱うニューラルネットワーク圧縮フレームワークである。 様々なデータモダリティを圧縮することで,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-01-30T20:12:04Z)
• Deep data compression for approximate ultrasonic image formation [1.0266286487433585]
  超音波イメージングシステムでは、別のコンピュータ装置でデータ取得と画像形成を行う。 ディープニューラルネットワークは、特定の画像形成方法の画質を維持するために最適化されている。
  論文  参考訳（メタデータ） (2020-09-04T16:43:12Z)
• Neuromorphologicaly-preserving Volumetric data encoding using VQ-VAE [4.221619479687068]
  VQ-VAEにインスパイアされたネットワークは、全解像度の3D脳の容積を効率よくエンコードし、画像の忠実さを維持しながら元のサイズの0.825%$に圧縮できることを示す。 次に、VQ-VAEデコードされた画像は、ボクセルに基づく形態学およびセグメンテーション実験により、元のデータの形態的特性を保っていることを示す。
  論文  参考訳（メタデータ） (2020-02-13T18:18:51Z)

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。