論文の概要: Adversarial and Score-Based CT Denoising: CycleGAN vs Noise2Score
- arxiv url: http://arxiv.org/abs/2511.04083v1
- Date: Thu, 06 Nov 2025 05:42:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.320245
- Title: Adversarial and Score-Based CT Denoising: CycleGAN vs Noise2Score
- Title（参考訳）: 反対・スコアベースCT : CycleGAN vs. Noise2Score
- Authors: Abu Hanif Muhammad Syarubany,
- Abstract要約: 健常者および自己監督者におけるCT画像のデノイングについて検討した。
サイクルGANベースのトランスレータとノイズ2スコア(N2S)スコアマッチングデノイザの評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We study CT image denoising in the unpaired and self-supervised regimes by evaluating two strong, training-data-efficient paradigms: a CycleGAN-based residual translator and a Noise2Score (N2S) score-matching denoiser. Under a common evaluation protocol, a configuration sweep identifies a simple standard U-Net backbone within CycleGAN (lambda_cycle = 30, lambda_iden = 2, ngf = ndf = 64) as the most reliable setting; we then train it to convergence with a longer schedule. The selected CycleGAN improves the noisy input from 34.66 dB / 0.9234 SSIM to 38.913 dB / 0.971 SSIM and attains an estimated score of 1.9441 and an unseen-set (Kaggle leaderboard) score of 1.9343. Noise2Score, while slightly behind in absolute PSNR / SSIM, achieves large gains over very noisy inputs, highlighting its utility when clean pairs are unavailable. Overall, CycleGAN offers the strongest final image quality, whereas Noise2Score provides a robust pair-free alternative with competitive performance. Source code is available at https://github.com/hanifsyarubany/CT-Scan-Image-Denoising-using-CycleGAN-and-Noise2Score.
- Abstract（参考訳）: 我々は,CycleGANをベースとした残差トランスレータとノイズ2スコア(N2S)スコアマッチングデノイザの2つの強力な訓練データ効率のパラダイムを評価することにより,未経験者および自己監督者におけるCT画像のデノイズ化について検討した。
一般的な評価プロトコルでは、設定スイープはCycleGAN(lambda_cycle = 30, lambda_iden = 2, ngf = ndf = 64)内の単純な標準のU-Netバックボーンを最も信頼性の高い設定として識別します。
選択されたCycleGANは、34.66 dB / 0.9234 SSIMから38.913 dB / 0.971 SSIMへのノイズ入力を改善し、推定スコアが1.9441、未確認(カグルリーダーボード)スコアが1.9343に達する。
Noise2Scoreは絶対PSNR/SSIMにわずかに遅れているが、ノイズの多い入力よりも大きなゲインを実現し、クリーンなペアが利用できない場合にその実用性を強調している。
全体として、CycleGANは最強の最終的な画質を提供するが、Noss2Scoreは、競争力のあるパフォーマンスを備えた堅牢なペアフリーの代替手段を提供する。
ソースコードはhttps://github.com/hanifsyarubany/CT-Scan-Image-Denoising-using-CycleGAN-and-Noise2Scoreで公開されている。
関連論文リスト
- U-CAN: Unsupervised Point Cloud Denoising with Consistency-Aware Noise2Noise Matching [87.76453413654922]
我々は、一貫性を意識したノイズ2ノイズマッチングを用いて、ポイントクラウドをデノナイズするための教師なしフレームワークであるU-CANを紹介する。
具体的には、ニューラルネットワークを利用して、ノイズとノイズのマッチング方式で、形状やシーンの各点について、多段階のノイズ伝達経路を推測する。
整合性を考慮したデノナイズパターンの学習のための,デノナイズド幾何整合性に関する新しい制約を導入する。
論文 参考訳（メタデータ） (2025-10-29T06:20:21Z) - Noise Matters: Optimizing Matching Noise for Diffusion Classifiers [6.442738337380714]
本稿では,DCの整合性(良い)を学習するための新しいノイズ最適化手法を提案する: NoOp。
周波数マッチングのために、NoOpはまずランダムにパラメータ化されたノイズを最適化する。
空間マッチングでは、NoOpはメタネットワークをトレーニングし、入力出力としてイメージを採用する。
論文 参考訳（メタデータ） (2025-08-15T09:01:03Z) - Filter2Noise: Interpretable Self-Supervised Single-Image Denoising for Low-Dose CT with Attention-Guided Bilateral Filtering [3.788107003189284]
解釈可能な自己教師型単一画像復調フレームワーク Filter2Noise (F2N) を提案する。
本手法では,軽量モジュールを介して各ノイズに適応するアテンションガイドバイラテラルフィルタを提案する。
マヨクリニック2016の低用量CTデータセットでは、F2Nは4.5dB9 PSNRで指導的な自己監督シングルイメージ法(ZS-N2N)より優れている。
論文 参考訳（メタデータ） (2025-04-18T07:15:27Z) - How to Best Combine Demosaicing and Denoising? [16.921538543268216]
分解と分解は 生画像パイプラインにおいて 重要な役割を担っています
ほとんどの復号法はノイズフリー画像の復号化に対処する。
本当の問題は、ノイズの多い生画像の合成と分解だ。
論文 参考訳（メタデータ） (2024-08-13T07:23:53Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Zero-Shot Noise2Noise: Efficient Image Denoising without any Data [26.808569077500128]
トレーニングデータやノイズ分布の知識のない単純な2層ネットワークは,低計算コストで高品質な画像のデノーミングを実現することができることを示す。
我々のアプローチはNoss2NoiseとNeighbor2Neighborによって動機付けられ、画素単位の独立ノイズを分解するのにうまく機能する。
論文 参考訳（メタデータ） (2023-03-20T16:40:37Z) - Identifying Hard Noise in Long-Tailed Sample Distribution [71.8462682319137]
NLT(Noisy Long-Tailed Classification)を紹介する。
ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。
我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
論文 参考訳（メタデータ） (2022-07-27T09:03:03Z) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - Noise2Score: Tweedie's Approach to Self-Supervised Image Denoising
without Clean Images [35.41467558264341]
異なるアプローチを統合するために,ノイズ2スコアと呼ばれる新しい手法を提案する。
具体的には,後部分布のモードを見つけることで,クリーンな画像のない画像認識問題に対処できることを示す。
そこで本手法では,残差復調オートエンコーダを用いて雑音画像からスコア関数を安定に推定する手法を提案する。
論文 参考訳（メタデータ） (2021-06-13T14:41:09Z) - Synergy Between Semantic Segmentation and Image Denoising via Alternate
Boosting [102.19116213923614]
ノイズ除去とセグメンテーションを交互に行うためのブーストネットワークを提案する。
我々は,ノイズによるセグメンテーション精度の低下に対処するだけでなく,画素別意味情報によってデノージング能力が向上することを示す。
実験の結果,デノイド画像の品質が大幅に向上し,セグメンテーション精度がクリーン画像に近いことを示した。
論文 参考訳（メタデータ） (2021-02-24T06:48:45Z) - Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。
ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。
デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文 参考訳（メタデータ） (2021-01-08T02:03:25Z)
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。