論文の概要: Learnable Total Variation with Lambda Mapping for Low-Dose CT Denoising

• arxiv url: http://arxiv.org/abs/2511.10500v2
• Date: Tue, 18 Nov 2025 15:44:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 13:59:16.588681
• Title: Learnable Total Variation with Lambda Mapping for Low-Dose CT Denoising
• Title（参考訳）: 低用量CT用ラムダマッピングによる学習可能な全変動
• Authors: Yusuf Talha Basak, Mehmet Ozan Unal, Metin Ertas, Isa Yildirim,
• Abstract要約: Learnable Total Variation (LTV) は、データの駆動型Lambda Mapping Network (LambdaNet) と、ピクセルごとの正規化マップを予測するアンロールテレビソルバを結合する。 LTVはブラックボックスCNNの解釈可能な代替手段を提供し、3Dおよびデータ一貫性駆動の再構築の基礎を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although Total Variation (TV) performs well in noise reduction and edge preservation on images, its dependence on the lambda parameter limits its efficiency and makes it difficult to use effectively. In this study, we present a Learnable Total Variation (LTV) framework that couples an unrolled TV solver with a data-driven Lambda Mapping Network (LambdaNet) predicting a per-pixel regularization map. The pipeline is trained end-to-end so that reconstruction and regularization are optimized jointly, yielding spatially adaptive smoothing: strong in homogeneous regions, relaxed near anatomical boundaries. Experiments on the DeepLesion dataset, using a realistic noise model adapted from the LoDoPaB-CT methodology, show consistent gains over classical TV and FBP+U-Net: +2.9 dB PSNR and +6% SSIM on average. LTV provides an interpretable alternative to black-box CNNs and a basis for 3D and data-consistency-driven reconstruction.
• Abstract（参考訳）: トータル変分 (TV) は画像のノイズ低減とエッジ保存に優れるが, ラムダパラメータへの依存は効率を制限し, 有効利用を困難にしている。 本研究では,Learningable Total Variation (LTV) フレームワークを提案する。このフレームワークは,非ローリングTVソルバとデータ駆動型Lambda Mapping Network (LambdaNet) を結合し,画素ごとの正規化マップを予測する。 パイプラインはエンドツーエンドに訓練され、再構築と正規化を共同で最適化し、同種領域の強い空間適応的な平滑化を、解剖学的境界付近で緩和する。 LoDoPaB-CT法を応用した現実的なノイズモデルを用いたDeepLesionデータセットの実験では、従来のテレビやFBP+U-Netに比べて、平均2.9dB PSNRと+6% SSIMが一貫した利得を示している。 LTVはブラックボックスCNNの解釈可能な代替手段を提供し、3Dおよびデータ一貫性駆動の再構築の基礎を提供する。

関連論文リスト

• APML: Adaptive Probabilistic Matching Loss for Robust 3D Point Cloud Reconstruction [16.82777427285544]
  点クラウド予測タスクのためのディープラーニングモデルのトレーニングは、予測点と接地真実点の差を測定する損失関数に大きく依存する。 本稿では,一対一マッチングの完全微分可能近似である適応確率マッチング損失(APML)を提案する。 温度を解析的に計算して最小限の確率を保証し、手動チューニングを除去する。
  論文  参考訳（メタデータ） (2025-09-09T19:31:06Z)
• Patch-based learning of adaptive Total Variation parameter maps for blind image denoising [0.44998333629984877]
  ノイズがガウシアンかポアソンかのいずれかでありうる状況について考察し、ノイズ分布が不明な状況について検証する。 我々は,各画像画素に対して,テレビの正規化と対応するデータの忠実度を最適に重み付けするパッチベースのアプローチを定義する。
  論文  参考訳（メタデータ） (2025-03-20T10:24:14Z)
• GS-SLAM: Dense Visual SLAM with 3D Gaussian Splatting [51.96353586773191]
  我々は,まず3次元ガウス表現を利用したtextbfGS-SLAM を提案する。 提案手法は,地図の最適化とRGB-Dレンダリングの大幅な高速化を実現するリアルタイム微分可能なスプレイティングレンダリングパイプラインを利用する。 提案手法は,Replica,TUM-RGBDデータセット上の既存の最先端リアルタイム手法と比較して,競争性能が向上する。
  論文  参考訳（メタデータ） (2023-11-20T12:08:23Z)
• Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference [1.740133468405535]
  D1450F4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 454545454545454545454545454545454545454545454545454545454545
  論文  参考訳（メタデータ） (2023-10-25T20:20:09Z)
• Learning Partial Correlation based Deep Visual Representation for Image Classification [61.0532370259644]
  CNNの新たな構造層としてスパース逆共分散推定(SICE)を定式化する。 本研究は,部分的相関に基づく深部視覚表現を求め,小さなサンプル問題を緩和する。 実験により,本モデルの有効性と優れた分類性能が示された。
  論文  参考訳（メタデータ） (2023-04-23T10:09:01Z)
• Convex Hull Prediction for Adaptive Video Streaming by Recurrent Learning [38.574550778712236]
  本稿では,コンテンツ認識凸船体予測の深層学習に基づく手法を提案する。 再帰的畳み込みネットワーク(RCN)を用いて,映像の複雑さを暗黙的に解析し,その凸殻を予測する。 提案するモデルでは, 最適凸殻の近似精度が向上し, 既存の手法と比較して, 競争時間の節約が期待できる。
  論文  参考訳（メタデータ） (2022-06-10T05:11:02Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
  本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。 解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
  論文  参考訳（メタデータ） (2020-10-21T20:04:22Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。