論文の概要: ResMatching: Noise-Resilient Computational Super-Resolution via Guided Conditional Flow Matching
- arxiv url: http://arxiv.org/abs/2510.26601v1
- Date: Thu, 30 Oct 2025 15:29:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.881813
- Title: ResMatching: Noise-Resilient Computational Super-Resolution via Guided Conditional Flow Matching
- Title（参考訳）: Resmatching: 誘導条件付きフローマッチングによる耐雑音性計算超解法
- Authors: Anirban Ray, Vera Galinova, Florian Jug,
- Abstract要約: 蛍光顕微鏡における計算超解法 (CSR) は, 未解決の問題であるにもかかわらず, 長い歴史がある。
CSRの核心は、画像生成顕微鏡で撮影されたことのない顕微鏡で外挿するのに使える先駆体を見つけることにある。
本稿では、誘導条件付きフローマッチングを用いて、改良されたデータプライヤを学習する新しいCSR手法であるResMatchingを提案する。
- 参考スコア（独自算出の注目度）: 6.617593699054488
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational Super-Resolution (CSR) in fluorescence microscopy has, despite being an ill-posed problem, a long history. At its very core, CSR is about finding a prior that can be used to extrapolate frequencies in a micrograph that have never been imaged by the image-generating microscope. It stands to reason that, with the advent of better data-driven machine learning techniques, stronger prior can be learned and hence CSR can lead to better results. Here, we present ResMatching, a novel CSR method that uses guided conditional flow matching to learn such improved data-priors. We evaluate ResMatching on 4 diverse biological structures from the BioSR dataset and compare its results against 7 baselines. ResMatching consistently achieves competitive results, demonstrating in all cases the best trade-off between data fidelity and perceptual realism. We observe that CSR using ResMatching is particularly effective in cases where a strong prior is hard to learn, e.g. when the given low-resolution images contain a lot of noise. Additionally, we show that ResMatching can be used to sample from an implicitly learned posterior distribution and that this distribution is calibrated for all tested use-cases, enabling our method to deliver a pixel-wise data-uncertainty term that can guide future users to reject uncertain predictions.
- Abstract（参考訳）: 蛍光顕微鏡における計算超解法 (CSR) は, 未解決の問題であるにもかかわらず, 長い歴史がある。
CSRの核心は、画像生成顕微鏡で撮像されたことがないマイクログラフの周波数を外挿するのに使える先駆体を見つけることにある。
より良いデータ駆動機械学習技術の出現により、より強力な事前学習が可能となり、CSRがより良い結果をもたらすのは理にかなっている。
本稿では、誘導条件付きフローマッチングを用いて、改良されたデータプライヤを学習する新しいCSR手法であるResMatchingを提案する。
バイオSRデータセットから4つの生物構造についてResMatchingを評価し,その結果を7つのベースラインと比較した。
ResMatchingは一貫して競争結果を達成し、すべてのケースにおいて、データの忠実さと知覚的リアリズムの最良のトレードオフを示す。
ResMatchingを用いたCSRは、例えば、与えられた低解像度画像に多くのノイズが含まれているような、強い事前学習が難しい場合に特に有効である。
さらに,ResMatching を用いて暗黙的に学習した後部分布からサンプルを抽出し,この分布が全てのテストケースに対して校正されていることを示す。
関連論文リスト
- Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - To Match or Not to Match: Revisiting Image Matching for Reliable Visual Place Recognition [4.008780119020479]
現代の検索システムは、現在のVPRデータセットがほぼ飽和しているため、再ランク付けによって結果が劣化する点にしばしば到達している。
画像マッチングを検証ステップとして使用して、再ランク付けが有益であるときに、不整合値が確実に予測できることを実証する。
論文 参考訳（メタデータ） (2025-04-08T15:10:10Z) - MGHF: Multi-Granular High-Frequency Perceptual Loss for Image Super-Resolution [0.3958317527488535]
Invertible Neural Network (INN) ベースのナイーブな textbfMulti-textbfGranular textbfHigh-textbfFrequency (MGHF-n) パーセプチュアルな損失をImageNet でトレーニングし,これらの問題を克服する手法を提案する。
複数の視点にまたがって情報を保存し、優先順位付けし、調整するための、いくつかの制約のある包括的なフレームワークを開発する。
論文 参考訳（メタデータ） (2024-11-20T18:56:24Z) - Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。
そこで我々は,自動画像評価パイプラインを提案する。
その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文 参考訳（メタデータ） (2024-09-01T16:25:04Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - Integrating Prior Knowledge in Contrastive Learning with Kernel [4.050766659420731]
我々は、カーネル理論を用いて、(i)事前知識の統合を可能にし、(i)元のInfoNCE損失における負の正の結合を取り除くという、分離均一性(decoupled uniformity)と呼ばれる新しい損失を提案する。
教師なしの環境では、CLは自然画像と医用画像の両方で表現を改善するために生成モデルから恩恵を受けることを実証的に実証する。
論文 参考訳（メタデータ） (2022-06-03T15:43:08Z) - Score-based diffusion models for accelerated MRI [35.3148116010546]
本研究では,画像中の逆問題を容易に解けるような条件分布からデータをサンプリングする方法を提案する。
我々のモデルは、訓練のためにのみ等級画像を必要とするが、複雑な値のデータを再構成することができ、さらに並列画像まで拡張できる。
論文 参考訳（メタデータ） (2021-10-08T08:42:03Z) - Robust Reference-based Super-Resolution via C2-Matching [77.51610726936657]
超解像(Ref-SR)は、最近、高分解能(HR)参照画像を導入して、低分解能(LR)入力画像を強化するための有望なパラダイムとして登場した。
既存のRef-SR法は主に暗黙の対応に頼り、参照画像からHRテクスチャを借用し、入力画像の情報損失を補う。
本稿では,C2-Matchingを提案する。
論文 参考訳（メタデータ） (2021-06-03T16:40:36Z) - Risk Minimization from Adaptively Collected Data: Guarantees for
Supervised and Policy Learning [57.88785630755165]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。
本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。
政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
論文 参考訳（メタデータ） (2021-06-03T09:50:13Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳（メタデータ） (2020-12-18T08:25:39Z)
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。