Fugu-MT 論文翻訳(概要): Limited-Angle Tomography Reconstruction via Projector Guided 3D Diffusion

論文の概要: Limited-Angle Tomography Reconstruction via Projector Guided 3D Diffusion

arxiv url: http://arxiv.org/abs/2510.06516v1
Date: Tue, 07 Oct 2025 23:27:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-09 16:41:20.226375
Title: Limited-Angle Tomography Reconstruction via Projector Guided 3D Diffusion
Title（参考訳）: プロジェクタガイド3次元拡散による有限角度トモグラフィー再構成
Authors: Zhantao Deng, Mériem Er-Rafik, Anna Sushko, Cécile Hébert, Pascal Fua,
Abstract要約: 有限角電子トモグラフィーは、透過電子顕微鏡(TEM)の2次元投影から傾斜角の制限範囲内で3次元形状を再構成することを目的としている。ディープラーニングアプローチは、これらのアーティファクトを緩和する有望な結果を示している。本稿では,新しい3次元拡散に基づく反復再構成フレームワークTEMDiffを提案する。
参考スコア（独自算出の注目度）: 26.292892614609283
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Limited-angle electron tomography aims to reconstruct 3D shapes from 2D projections of Transmission Electron Microscopy (TEM) within a restricted range and number of tilting angles, but it suffers from the missing-wedge problem that causes severe reconstruction artifacts. Deep learning approaches have shown promising results in alleviating these artifacts, yet they typically require large high-quality training datasets with known 3D ground truth which are difficult to obtain in electron microscopy. To address these challenges, we propose TEMDiff, a novel 3D diffusion-based iterative reconstruction framework. Our method is trained on readily available volumetric FIB-SEM data using a simulator that maps them to TEM tilt series, enabling the model to learn realistic structural priors without requiring clean TEM ground truth. By operating directly on 3D volumes, TEMDiff implicitly enforces consistency across slices without the need for additional regularization. On simulated electron tomography datasets with limited angular coverage, TEMDiff outperforms state-of-the-art methods in reconstruction quality. We further demonstrate that a trained TEMDiff model generalizes well to real-world TEM tilts obtained under different conditions and can recover accurate structures from tilt ranges as narrow as 8 degrees, with 2-degree increments, without any retraining or fine-tuning.
Abstract（参考訳）: 有限角電子トモグラフィーは、透過電子顕微鏡(TEM)の2次元投影から傾斜角の制限範囲内で3次元形状を再構成することを目的としている。ディープラーニングアプローチは、これらのアーティファクトを緩和する上で有望な結果を示しているが、通常、電子顕微鏡では取得が困難である既知の3D基底真理を持つ大規模な高品質なトレーニングデータセットを必要とする。これらの課題に対処するために,新しい3次元拡散に基づく反復再構成フレームワークTEMDiffを提案する。本手法は,TEMチルト系列にマップするシミュレータを用いて,容易に利用可能なFIB-SEMデータに基づいて学習し,クリーンなTEM基底真理を必要とせず,現実的な構造的事前学習を可能にする。 3Dボリュームを直接操作することで、TEMDiffは、追加の正規化を必要とせずに、スライス間の一貫性を暗黙的に強制する。角度範囲が限られている模擬電子トモグラフィーデータセットでは、TEMDiffは復元品質において最先端の手法より優れている。さらに、訓練されたTEMDiffモデルが、異なる条件下で得られた実世界のTEM傾きに対してよく一般化し、傾きの範囲を8度まで狭くして2度のインクリメントで正確な構造を再現できることを示した。

関連論文リスト

Neural Field-Based 3D Surface Reconstruction of Microstructures from Multi-Detector Signals in Scanning Electron Microscopy [7.293073530041304]
NFH-SEMは、多視点2次元SEM画像を入力として、幾何学的および測光的情報を連続した神経野表現に融合する。 NFH-SEMは、エンドツーエンドの自己校正によって手動の校正手順を排除し、トレーニング中にSEMイメージから自動的に影をアンタングルする。
論文参考訳（メタデータ） (2025-08-05T20:00:57Z)
DGS-LRM: Real-Time Deformable 3D Gaussian Reconstruction From Monocular Videos [52.46386528202226]
Deformable Gaussian Splats Large Reconstruction Model (DGS-LRM)を紹介する。動的シーンのモノクロポーズビデオから変形可能な3Dガウススプラットを予測する最初のフィードフォワード法である。最先端のモノクロビデオ3D追跡手法と同等の性能を発揮する。
論文参考訳（メタデータ） (2025-06-11T17:59:58Z)
DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
論文参考訳（メタデータ） (2024-12-11T07:32:17Z)
UniDream: Unifying Diffusion Priors for Relightable Text-to-3D Generation [101.2317840114147]
We present UniDream, a text-to-3D generation framework by integration priors。提案手法は,(1)アルベド正規配位型多視点拡散・再構成モデルを得るための2相学習プロセス,(2)訓練された再構成・拡散モデルを用いたスコア蒸留サンプル(SDS)に基づく幾何およびアルベドテクスチャのプログレッシブ生成手順,(3)安定拡散モデルに基づく固定アルベドを保ちながらPBR生成を確定するSDSの革新的な応用,の3つからなる。
論文参考訳（メタデータ） (2023-12-14T09:07:37Z)
StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文参考訳（メタデータ） (2023-12-02T02:27:58Z)
A Deep Learning Method for Simultaneous Denoising and Missing Wedge Reconstruction in Cryogenic Electron Tomography [23.75819355889607]
本稿では,DeepDeWedgeと呼ばれるウェッジ再構築を同時に行う深層学習手法を提案する。このアルゴリズムは、基礎となる真理データを必要としないため、ニューラルネットワークを自己教師付きロスを用いて2次元投影に適合させることに基づいている。
論文参考訳（メタデータ） (2023-11-09T17:34:57Z)
Reference-Free Isotropic 3D EM Reconstruction using Diffusion Models [8.590026259176806]
本稿では、参照データや劣化過程に関する事前知識の制限を克服する拡散モデルに基づくフレームワークを提案する。提案手法では, 2次元拡散モデルを用いて連続的に3次元ボリュームを再構成し, 高精度なサンプルデータに適している。
論文参考訳（メタデータ） (2023-08-03T07:57:02Z)
Solving 3D Inverse Problems using Pre-trained 2D Diffusion Models [33.343489006271255]
拡散モデルは、高品質なサンプルを持つ新しい最先端の生成モデルとして登場した。そこで本研究では, モデルに基づく2次元拡散を, 全次元にわたるコヒーレントな再構成を達成できるように, 実験時の残りの方向で先行する2次元拡散を拡大することを提案する。提案手法は,1つのコモディティGPU上で動作可能であり,新しい最先端技術を確立する。
論文参考訳（メタデータ） (2022-11-19T10:32:21Z)
3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文参考訳（メタデータ） (2021-10-14T23:05:47Z)

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。