論文の概要: Improving the Generalisation of Learned Reconstruction Frameworks

• arxiv url: http://arxiv.org/abs/2511.12730v1
• Date: Sun, 16 Nov 2025 18:57:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.505896
• Title: Improving the Generalisation of Learned Reconstruction Frameworks
• Title（参考訳）: 学習復興フレームワークの一般化の改善
• Authors: Emilien Valat, Ozan Öktem,
• Abstract要約: X線CT(CT)では、畳み込みニューラルネットワーク(CNN)が投影データをフィルタリングするために広く使われている。 グラフとグリッドの畳み込みを利用してトモグラフィーデータを処理するハイブリッドニューラルネットワークアーキテクチャを提案する。 GLMは、構造的類似性とピーク信号-雑音比の観点から、性能が定量化されるとCNNよりも優れることを示す。
• 参考スコア（独自算出の注目度）: 1.0026496861838445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring proper generalization is a critical challenge in applying data-driven methods for solving inverse problems in imaging, as neural networks reconstructing an image must perform well across varied datasets and acquisition geometries. In X-ray Computed Tomography (CT), convolutional neural networks (CNNs) are widely used to filter the projection data but are ill-suited for this task as they apply grid-based convolutions to the sinogram, which inherently lies on a line manifold, not a regular grid. The CNNs, unaware of the geometry, are implicitly tied to it and require an excessive amount of parameters as they must infer the relations between measurements from the data rather than from prior information. The contribution of this paper is twofold. First, we introduce a graph data structure to represent CT acquisition geometries and tomographic data, providing a detailed explanation of the graph's structure for circular, cone-beam geometries. Second, we propose GLM, a hybrid neural network architecture that leverages both graph and grid convolutions to process tomographic data. We demonstrate that GLM outperforms CNNs when performance is quantified in terms of structural similarity and peak signal-to-noise ratio, despite the fact that GLM uses only a fraction of the trainable parameters. Compared to CNNs, GLM also requires significantly less training time and memory, and its memory requirements scale better. Crucially, GLM demonstrates robust generalization to unseen variations in the acquisition geometry, like when training only on fully sampled CT data and then testing on sparse-view CT data.
• Abstract（参考訳）: 画像を再構成するニューラルネットワークは、さまざまなデータセットと取得ジオメトリにわたって適切に機能する必要があるため、画像中の逆問題を解決するためのデータ駆動手法を適用する上で、適切な一般化を保証することが重要な課題である。 X線CT(CT)では、畳み込みニューラルネットワーク(CNN)がプロジェクションデータをフィルタリングするために広く使われているが、格子ベースの畳み込みを正格子ではなく直線多様体に本質的に適用するので、このタスクには不適である。 幾何学を知らないCNNは暗黙的にそれに結びついており、過去の情報からではなく、データから測定結果の関係を推測する必要があるため、過剰な量のパラメータを必要とする。 本論文の貢献は2つある。 まず、CT取得測地とトモグラフィーデータを表すグラフデータ構造を導入し、円錐ビーム測地に対するグラフの構造を詳細に説明する。 第2に,グラフとグリッドの畳み込みを利用してトモグラフィデータを処理するハイブリッドニューラルネットワークアーキテクチャであるGLMを提案する。 GLMはトレーニング可能なパラメータのごく一部しか使用していないにもかかわらず、構造的類似性とピーク信号-雑音比で性能が定量化されている場合、CNNよりも優れていることを示す。 CNNと比較して、GLMはトレーニング時間やメモリも大幅に削減し、メモリ要求も改善された。 重要なことに、GLMは、完全なサンプルCTデータのみをトレーニングし、スパース・ビューCTデータをテストする場合のような、取得幾何学のバリエーションを目にしないような、堅牢な一般化を実証している。

関連論文リスト

• Deep Learning as Ricci Flow [38.27936710747996]
  ディープニューラルネットワーク(DNN)は、複雑なデータの分布を近似する強力なツールである。 分類タスク中のDNNによる変換は、ハミルトンのリッチ流下で期待されるものと類似していることを示す。 本研究の成果は, 微分幾何学や離散幾何学から, 深層学習における説明可能性の問題まで, ツールの利用を動機づけるものである。
  論文  参考訳（メタデータ） (2024-04-22T15:12:47Z)
• Agglomeration of Polygonal Grids using Graph Neural Networks with applications to Multigrid solvers [0.0]
  計算メッシュの接続グラフを分割するグラフニューラルネットワーク(GNN)を提案する。 GNNはメッシュのグラフ構造と幾何学的情報の両方を自然に同時に処理する利点がある。 機械学習(ML)戦略では、品質指標のパフォーマンスが向上し、GNNはオンラインでの計算コストの低減を特徴としている。
  論文  参考訳（メタデータ） (2022-10-31T16:30:48Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Training Robust Graph Neural Networks with Topology Adaptive Edge Dropping [116.26579152942162]
  グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。 彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。 本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T13:20:36Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。