論文の概要: QuantEIT: Ultra-Lightweight Quantum-Assisted Inference for Chest Electrical Impedance Tomography

• arxiv url: http://arxiv.org/abs/2507.14031v1
• Date: Fri, 18 Jul 2025 15:57:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.348575
• Title: QuantEIT: Ultra-Lightweight Quantum-Assisted Inference for Chest Electrical Impedance Tomography
• Title（参考訳）: QuantEIT:胸部電気インピーダンストモグラフィのための超軽量量子アシスト推論
• Authors: Hao Fang, Sihao Teng, Hao Yu, Siyi Yuan, Huaiwu He, Zhe Liu, Yunjie Yang,
• Abstract要約: 電気インピーダンストモグラフィ(EIT)は、高時間分解能の非侵襲的で低コストなベッドサイド画像モダリティである。 ディープラーニングアプローチは将来性を示しているが、多くのパラメータを持つ複雑なネットワークアーキテクチャに依存していることが多い。 EIT画像再構成のための超軽量量子支援推論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.873236202827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electrical Impedance Tomography (EIT) is a non-invasive, low-cost bedside imaging modality with high temporal resolution, making it suitable for bedside monitoring. However, its inherently ill-posed inverse problem poses significant challenges for accurate image reconstruction. Deep learning (DL)-based approaches have shown promise but often rely on complex network architectures with a large number of parameters, limiting efficiency and scalability. Here, we propose an Ultra-Lightweight Quantum-Assisted Inference (QuantEIT) framework for EIT image reconstruction. QuantEIT leverages a Quantum-Assisted Network (QA-Net), combining parallel 2-qubit quantum circuits to generate expressive latent representations that serve as implicit nonlinear priors, followed by a single linear layer for conductivity reconstruction. This design drastically reduces model complexity and parameter number. Uniquely, QuantEIT operates in an unsupervised, training-data-free manner and represents the first integration of quantum circuits into EIT image reconstruction. Extensive experiments on simulated and real-world 2D and 3D EIT lung imaging data demonstrate that QuantEIT outperforms conventional methods, achieving comparable or superior reconstruction accuracy using only 0.2% of the parameters, with enhanced robustness to noise.
• Abstract（参考訳）: 電気インピーダンストモグラフィ(EIT)は、高時間分解能で非侵襲的で低コストなベッドサイドイメージングであり、ベッドサイドモニタリングに適している。 しかし、その本質的に不備な逆問題により、正確な画像再構成には重大な課題が生じる。 ディープラーニング(DL)ベースのアプローチは、将来性を示しているが、多くの場合、多くのパラメータを持つ複雑なネットワークアーキテクチャに依存し、効率とスケーラビリティを制限している。 本稿では,EIT画像再構成のための超軽量量子アシスト推論(QuantEIT)フレームワークを提案する。 QuantEITはQuantum-Assisted Network (QA-Net)を活用し、並列2量子ビット量子回路を組み合わせて暗黙の非線形前兆として機能する表現的潜在表現を生成し、導電率再構成のための単一の線形層を生成する。 この設計は、モデルの複雑さとパラメータ数を劇的に減らします。 ユニークなのは、QuantEITは教師なし、トレーニングなしの方法で動作し、量子回路のEITイメージ再構成への最初の統合を表現している。 シミュレーションおよび実世界の2Dおよび3D EIT肺画像データに関する大規模な実験により、QuantEITは従来の手法よりも優れており、パラメータの0.2%しか使用せず、ノイズに対する堅牢性を高めた。

関連論文リスト

• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• Physical Degradation Model-Guided Interferometric Hyperspectral Reconstruction with Unfolding Transformer [10.761506243784744]
  IHI(Interferometric Hyperspectral Imaging)は、大規模なリモートセンシングタスクにおいて重要な技術である。 IHIは撮像工程による複雑なエラーを受けやすく、その品質は既存の信号処理ベースの再構成アルゴリズムによって制限されている。
  論文  参考訳（メタデータ） (2025-06-27T03:36:00Z)
• SDEIT: Semantic-Driven Electrical Impedance Tomography [7.872153285062159]
  SDEITはStable Diffusion 3.5をEITに統合する新しい意味駆動型フレームワークである。 暗黙的ニューラル表現(INR)ネットワークとプラグアンドプレイ最適化スキームを結合することにより、SDEITは構造的一貫性を改善し、詳細を回復する。 この研究は、マルチモーダル前処理をEITのような不測の逆問題に統合するための新しい経路を開く。
  論文  参考訳（メタデータ） (2025-04-05T14:08:58Z)
• BHViT: Binarized Hybrid Vision Transformer [53.38894971164072]
  モデルバイナライゼーションは畳み込みニューラルネットワーク(CNN)のリアルタイムおよびエネルギー効率の計算を可能にした。 本稿では,バイナライズフレンドリーなハイブリッドViTアーキテクチャであるBHViTとそのバイナライズモデルを提案する。 提案アルゴリズムは,バイナリ ViT 手法間でSOTA 性能を実現する。
  論文  参考訳（メタデータ） (2025-03-04T08:35:01Z)
• MR-EIT: Multi-Resolution Reconstruction for Electrical Impedance Tomography via Data-Driven and Unsupervised Dual-Mode Neural Networks [14.303339179604537]
  電気インピーダンストモグラフィ(EIT)の多分解能再構成法を提案する。 教師なしと教師なしの両方の学習モードで操作できる。 MR-EITは構造類似性(SSIM)と相対画像誤差(RIE)で比較法より優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2025-03-02T07:06:42Z)
• Diff-INR: Generative Regularization for Electrical Impedance Tomography [6.7667436349597985]
  電気インピーダンストモグラフィ(EIT)は、境界測定から体内の導電率分布を再構成する。 EIT再構成は、正確な結果が複雑である不適切な非線形逆問題によって妨げられる。 拡散モデルを用いて生成正規化とインプリシットニューラル表現(INR)を組み合わせた新しい手法であるDiff-INRを提案する。
  論文  参考訳（メタデータ） (2024-09-06T14:21:23Z)
• A Two-Stage Imaging Framework Combining CNN and Physics-Informed Neural Networks for Full-Inverse Tomography: A Case Study in Electrical Impedance Tomography (EIT) [5.772638266457322]
  電気インピーダンストモグラフィーは非常に不適切な逆問題である。 本稿では,畳み込みニューラルネットワーク(CNN)とPINNを組み合わせた2段階のハイブリッド学習フレームワークを提案する。 このフレームワークはデータ駆動とモデル駆動のパラダイムを統合し、教師付き学習と教師なし学習を組み合わせて導電性を再構築する。
  論文  参考訳（メタデータ） (2024-07-25T02:48:22Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Dynamic Dual Trainable Bounds for Ultra-low Precision Super-Resolution Networks [82.18396309806577]
  動的デュアル・トレーニング・バウンダリ(DDTB)と呼ばれる新しいアクティベーション・量子化器を提案する。 DDTBは超低精度で優れた性能を示した。 例えば、我々のDDTBは、EDSRを2ビットに量子化し、出力画像をx4にスケールアップする場合、Urban100ベンチマークで0.70dBのPSNRアップを達成する。
  論文  参考訳（メタデータ） (2022-03-08T04:26:18Z)
• Fully Quantized Image Super-Resolution Networks [81.75002888152159]
  効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。 我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。 低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
  論文  参考訳（メタデータ） (2020-11-29T03:53:49Z)

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。