論文の概要: Efficient Unrolled Networks for Large-Scale 3D Inverse Problems

• arxiv url: http://arxiv.org/abs/2601.02141v1
• Date: Mon, 05 Jan 2026 14:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.169931
• Title: Efficient Unrolled Networks for Large-Scale 3D Inverse Problems
• Title（参考訳）: 大規模3次元逆問題に対する効率的なアンロールネットワーク
• Authors: Romain Vo, Julián Tachella,
• Abstract要約: 3Dイメージングのような大規模な問題では、ほとんどの既存手法は、グローバルフォワード演算子に必要なメモリの禁止量のために、演算子をアーキテクチャに組み込むことができない。 本稿では,そのアーキテクチャにフォワード演算子を組み込んだエンドツーエンド再構成モデルのトレーニングを可能にする,ドメイン分割戦略と正規演算子近似を提案する。 提案手法は,3次元X線コーンビームトモグラフィと3次元マルチコイル加速MRIにおいて,トレーニングと推論の両方に1つのGPUしか必要とせず,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 11.979276488739364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based methods have revolutionized the field of imaging inverse problems, yielding state-of-the-art performance across various imaging domains. The best performing networks incorporate the imaging operator within the network architecture, typically in the form of deep unrolling. However, in large-scale problems, such as 3D imaging, most existing methods fail to incorporate the operator in the architecture due to the prohibitive amount of memory required by global forward operators, which hinder typical patching strategies. In this work, we present a domain partitioning strategy and normal operator approximations that enable the training of end-to-end reconstruction models incorporating forward operators of arbitrarily large problems into their architecture. The proposed method achieves state-of-the-art performance on 3D X-ray cone-beam tomography and 3D multi-coil accelerated MRI, while requiring only a single GPU for both training and inference.
• Abstract（参考訳）: 深層学習に基づく手法は、画像逆問題(英語版)の分野に革命をもたらし、様々な画像領域で最先端のパフォーマンスをもたらす。 最高の性能のネットワークは、一般的にディープアンローリングの形で、ネットワークアーキテクチャにイメージング演算子を組み込む。 しかし、3Dイメージングのような大規模な問題では、ほとんどの既存手法は、典型的なパッチ戦略を妨げるグローバルフォワード演算子に必要なメモリの禁止量のために、演算子をアーキテクチャに組み込むことができない。 本研究では,ドメイン分割戦略と正規演算子近似を提案し,そのアーキテクチャに任意に大きな問題を持つ前方演算子を組み込んだエンドツーエンド再構成モデルのトレーニングを可能にする。 提案手法は,3次元X線コーンビームトモグラフィと3次元マルチコイル加速MRIにおいて,トレーニングと推論の両方に1つのGPUしか必要とせず,最先端の性能を実現する。

関連論文リスト

• iLRM: An Iterative Large 3D Reconstruction Model [34.69940725179257]
  本稿では,反復的改良機構を用いて3次元ガウス表現を生成する反復的大規模3次元再構成モデル(iLRM)を提案する。 RE10KやDL3DVといった広く使われているデータセットの実験結果から、iLRMは復元品質と速度の両方で既存の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-07-31T06:33:07Z)
• Large Spatial Model: End-to-end Unposed Images to Semantic 3D [79.94479633598102]
  大空間モデル(LSM)は、RGB画像を直接意味的放射場に処理する。 LSMは、単一のフィードフォワード操作における幾何学、外観、意味を同時に推定する。 新しい視点で言語と対話することで、多目的ラベルマップを生成することができる。
  論文  参考訳（メタデータ） (2024-10-24T17:54:42Z)
• Deep Learning-based Cross-modal Reconstruction of Vehicle Target from Sparse 3D SAR Image [6.499547636078961]
  本稿では,光学情報を融合させることで,車両のスパース3D SAR画像の高精細化を実現する3D-SAR再構成ネットワーク(CMAR-Net)を提案する。 CMAR-Netは、高度にスパースな観察から得られたスパース3次元SAR画像を視覚的に構造化された3次元車両画像に再構成し、効率的なトレーニングを実現する。
  論文  参考訳（メタデータ） (2024-06-06T15:18:59Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Operator Sketching for Deep Unrolling Networks [5.025654873456756]
  我々は,演算子スケッチを用いた効率的なディープ・アンローリング・ネットワーク設計のための新しいパラダイムを提案する。 X線CT画像再構成に関する数値実験により,スケッチ付きアンロール方式の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-21T17:34:18Z)
• Accurate and Lightweight Image Super-Resolution with Model-Guided Deep Unfolding Network [63.69237156340457]
  我々は、モデル誘導深部展開ネットワーク(MoG-DUN)と呼ばれるSISRに対する説明可能なアプローチを提示し、提唱する。 MoG-DUNは正確(エイリアスを少なくする)、計算効率(モデルパラメータを減らした)、多用途(多重劣化を処理できる)である。 RCAN, SRDNF, SRFBNを含む既存の最先端画像手法に対するMoG-DUN手法の優位性は、いくつかの一般的なデータセットと様々な劣化シナリオに関する広範な実験によって実証されている。
  論文  参考訳（メタデータ） (2020-09-14T08:23:37Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。