論文の概要: FourierPET: Deep Fourier-based Unrolled Network for Low-count PET Reconstruction

• arxiv url: http://arxiv.org/abs/2601.11680v1
• Date: Fri, 16 Jan 2026 08:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.278657
• Title: FourierPET: Deep Fourier-based Unrolled Network for Low-count PET Reconstruction
• Title（参考訳）: FourierPET:低位PET再建のためのディープフーリエベースアンロールネットワーク
• Authors: Zheng Zhang, Hao Tang, Yingying Hu, Zhanli Hu, Jing Qin,
• Abstract要約: 乗算器の交互方向法に基づく再構成フレームワークであるフーリエPETを提案する。 大域的な周波数アライメントを強制するスペクトル整合モジュール、振幅位相補正モジュール、二重調整モジュールの3つの調整モジュールで構成されている。 周波数認識補正による解釈性の向上を図りながら、非常に少ないパラメータで最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 21.5716184040742
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-count positron emission tomography (PET) reconstruction is a challenging inverse problem due to severe degradations arising from Poisson noise, photon scarcity, and attenuation correction errors. Existing deep learning methods typically address these in the spatial domain with an undifferentiated optimization objective, making it difficult to disentangle overlapping artifacts and limiting correction effectiveness. In this work, we perform a Fourier-domain analysis and reveal that these degradations are spectrally separable: Poisson noise and photon scarcity cause high-frequency phase perturbations, while attenuation errors suppress low-frequency amplitude components. Leveraging this insight, we propose FourierPET, a Fourier-based unrolled reconstruction framework grounded in the Alternating Direction Method of Multipliers. It consists of three tailored modules: a spectral consistency module that enforces global frequency alignment to maintain data fidelity, an amplitude-phase correction module that decouples and compensates for high-frequency phase distortions and low-frequency amplitude suppression, and a dual adjustment module that accelerates convergence during iterative reconstruction. Extensive experiments demonstrate that FourierPET achieves state-of-the-art performance with significantly fewer parameters, while offering enhanced interpretability through frequency-aware correction.
• Abstract（参考訳）: ポジトロン放射トモグラフィ(PET)再構成は,ポアソンノイズ,光子不足,減衰補正誤差に起因する重度劣化による逆問題である。 既存のディープラーニング手法は、通常、未分化の最適化目標を用いて空間領域におけるこれらに対処し、重複するアーティファクトを分離し、補正の有効性を制限することが困難になる。 本研究では、フーリエ領域解析を行い、これらの劣化がスペクトル分離可能であることを明らかにする。ポアソンノイズと光子不足は高周波位相摂動を引き起こし、減衰誤差は低周波振幅成分を抑制する。 この知見を生かしたフーリエPET(FourierPET)は,乗算器の交互方向法(Alternating Direction Method of Multipliers)に基づいて,フーリエをベースとしたアンロール型再構成フレームワークである。 データ忠実性を維持するために大域的な周波数アライメントを強制するスペクトル整合モジュール、高周波位相歪みと低周波振幅抑圧を分離・補償する振幅位相補正モジュール、反復再構成時の収束を加速する2つの調整モジュールの3つで構成されている。 広汎な実験により、FourierPETは、周波数認識補正による解釈性の向上を図りながら、パラメータを著しく減らして最先端の性能を達成することが示された。

関連論文リスト

• Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
  適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。 IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。 実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-29T15:09:20Z)
• Spectral Bias Mitigation via xLSTM-PINN: Memory-Gated Representation Refinement for Physics-Informed Learning [6.546212906401042]
  我々は、スペクトルバイアスを抑制し、外挿を強化するために、表現レベルのスペクトルリモデリングxLSTM-PINNを導入する。 4つのベンチマークで、ゲート型クロススケールメモリ、ステージ付き周波数カリキュラム、適応型残差再重み付けを統合した。 ベースラインPINNと比較して、MSE、RMSE、MAE、MaxAEを4つのベンチマークで削減し、よりクリーンな境界遷移を提供する。
  論文  参考訳（メタデータ） (2025-11-16T08:55:27Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• DiffPR: Diffusion-Based Phase Reconstruction via Frequency-Decoupled Learning [4.560284382063488]
  オフアクシス定量的位相イメージング(QPI)に深層学習を適用する場合、過平滑化は持続的な問題である。 この問題をスペクトルバイアスに追従し、ハイレベルなスキップ接続によってバイアスが強化されていることを示す。 2段階の周波数分離フレームワークであるDiffPRを紹介する。
  論文  参考訳（メタデータ） (2025-06-12T17:08:45Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
  本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。 本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。 本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
  論文  参考訳（メタデータ） (2024-02-28T09:27:41Z)
• Single-shot Phase Retrieval from a Fractional Fourier Transform Perspective [12.490990352972695]
  分数フーリエ変換の観点から,新しい単発位相探索パラダイムを提案する。 FrFT領域の強度測定は位相検索のあいまいさを軽減するのに非常に有効である。 提案する自己教師型再構成手法は,FrFTの高速離散アルゴリズムを,未学習のニューラルネットワークの先行アルゴリズムと併用する。
  論文  参考訳（メタデータ） (2023-11-18T03:11:31Z)
• TriDo-Former: A Triple-Domain Transformer for Direct PET Reconstruction from Low-Dose Sinograms [45.24575167909925]
  TriDoFormerは、シングラム、画像、周波数の3つのドメインを結合して直接再構成するトランスフォーマーベースのモデルである。 最先端の手法を質的に、定量的に上回る。 GFPは、周波数領域の周波数成分を調整するための学習可能な周波数フィルタとして機能し、ネットワークに高周波の詳細を復元させる。
  論文  参考訳（メタデータ） (2023-08-10T06:20:00Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)

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。