論文の概要: Perceptual Influence: Improving the Perceptual Loss Design for Low-Dose CT Enhancement

• arxiv url: http://arxiv.org/abs/2509.23025v1
• Date: Sat, 27 Sep 2025 00:48:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.991928
• Title: Perceptual Influence: Improving the Perceptual Loss Design for Low-Dose CT Enhancement
• Title（参考訳）: 知覚的影響:低線量CT強調のための知覚的損失設計の改善
• Authors: Gabriel A. Viana, Luis F. Alves Pereira, Tsang Ing Ren, George D. C. Cavalcanti, Jan Sijbers,
• Abstract要約: 低線量CT(Low-Dose Computed Tomography)画像を改善するためのトレーニングネットワークの強力なツールとして,知覚的損失が出現している。 知覚的影響の概念(知覚的損失項の総損失に対する相対的寄与を定量化する計量)を導入する。 以上の結果から, より優れた知覚的損失設計は, 再構成CT画像のノイズ低減と構造的忠実度を著しく向上させることが明らかとなった。
• 参考スコア（独自算出の注目度）: 4.720136305595603
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Perceptual losses have emerged as powerful tools for training networks to enhance Low-Dose Computed Tomography (LDCT) images, offering an alternative to traditional pixel-wise losses such as Mean Squared Error, which often lead to over-smoothed reconstructions and loss of clinically relevant details in LDCT images. The perceptual losses operate in a latent feature space defined by a pretrained encoder and aim to preserve semantic content by comparing high-level features rather than raw pixel values. However, the design of perceptual losses involves critical yet underexplored decisions, including the feature representation level, the dataset used to pretrain the encoder, and the relative importance assigned to the perceptual component during optimization. In this work, we introduce the concept of perceptual influence (a metric that quantifies the relative contribution of the perceptual loss term to the total loss) and propose a principled framework to assess the impact of the loss design choices on the model training performance. Through systematic experimentation, we show that the widely used configurations in the literature to set up a perceptual loss underperform compared to better-designed alternatives. Our findings show that better perceptual loss designs lead to significant improvements in noise reduction and structural fidelity of reconstructed CT images, without requiring any changes to the network architecture. We also provide objective guidelines, supported by statistical analysis, to inform the effective use of perceptual losses in LDCT denoising. Our source code is available at https://github.com/vngabriel/perceptual-influence.
• Abstract（参考訳）: 知覚的損失は、低線量CT(LDCT)画像を強化するためのトレーニングネットワークの強力なツールとして現れており、Mean Squared Errorのような従来のピクセル単位の損失の代替として、LDCT画像の過度な再構成や臨床的に関係のある詳細の喪失につながっている。 知覚的損失は、事前訓練されたエンコーダによって定義された潜在特徴空間で動作し、生のピクセル値よりも高レベルな特徴を比較することで意味的コンテンツを保存することを目的としている。 しかしながら、知覚的損失の設計には、特徴表現レベル、エンコーダの事前トレーニングに使われるデータセット、最適化時に知覚的コンポーネントに割り当てられる相対的重要性など、重要かつ未解明な決定が含まれる。 本研究では、知覚的影響の概念(知覚的損失項の総損失に対する相対的な寄与を定量化する指標)を導入し、モデルトレーニング性能に対する損失設計選択の影響を評価するための原則的枠組みを提案する。 体系的な実験を通して、文献における広く使われている構成が、より良い設計の代替案と比較して知覚的損失の過小評価を行うことを示す。 以上の結果から, より優れた知覚的損失設計は, ネットワーク構造の変更を必要とせずに, 再構成CT画像のノイズ低減と構造忠実度を著しく向上させることが明らかとなった。 また,LDCTの認知障害を効果的に活用するための客観的ガイドラインも提供した。 ソースコードはhttps://github.com/vngabriel/perceptual-influence.comで公開されています。

関連論文リスト

• On Self-Adaptive Perception Loss Function for Sequential Lossy Compression [29.361832071511795]
  我々は、平均二乗誤差(MSE)を歪み損失とする因果的、低レイテンシ、逐次的損失圧縮と、再建の現実性を高めるための知覚損失関数(PLF)を考察した。 我々は、一階マルコフ源に対する理論速度歪み知覚関数を確立し、ガウス模型を詳細に解析する。 提案手法は, 自己適応型知覚損失関数 (PLF-SA) と呼ばれる。
  論文  参考訳（メタデータ） (2025-02-15T01:41:53Z)
• An Enhanced Encoder-Decoder Network Architecture for Reducing Information Loss in Image Semantic Segmentation [6.596361762662328]
  残差接続により拡張された革新的なエンコーダ・デコーダネットワーク構造を導入する。 提案手法では,様々な画像スケールにまたがる複雑な情報保存を効果的に行うために,マルチレジデント接続戦略を採用している。 ネットワークトレーニングの収束率を高め,サンプルの不均衡問題を緩和するために,改良されたクロスエントロピー損失関数を考案した。
  論文  参考訳（メタデータ） (2024-05-26T05:15:53Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
  本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。 事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。 識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
  論文  参考訳（メタデータ） (2022-07-19T14:35:42Z)
• Generic Perceptual Loss for Modeling Structured Output Dependencies [78.59700528239141]
  トレーニングされた重みではなく、ネットワーク構造が重要であることを示す。 我々は、出力の構造化依存関係をモデル化するためにランダムに重み付けされたディープcnnが使用できることを実証する。
  論文  参考訳（メタデータ） (2021-03-18T23:56:07Z)
• Perceptually Optimizing Deep Image Compression [53.705543593594285]
  平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。 本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:33:28Z)
• Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution [5.258555266148511]
  単一画像超解法 (SISR) は不確定な数の有効解を持つ不確定問題である。 これらのパターンアーティファクトの根本原因は、知覚的損失の事前学習目標と超解答目標とのミスマッチに遡ることができる。
  論文  参考訳（メタデータ） (2020-05-15T12:36:54Z)

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。