論文の概要: Denoising and Baseline Correction of Low-Scan FTIR Spectra: A Benchmark of Deep Learning Models Against Traditional Signal Processing

• arxiv url: http://arxiv.org/abs/2601.20905v1
• Date: Wed, 28 Jan 2026 15:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.367494
• Title: Denoising and Baseline Correction of Low-Scan FTIR Spectra: A Benchmark of Deep Learning Models Against Traditional Signal Processing
• Title（参考訳）: 低走査FTIRスペクトルのデノジングとベースライン補正:従来の信号処理に対する深層学習モデルのベンチマーク
• Authors: Azadeh Mokari, Shravan Raghunathan, Artem Shydliukh, Oleg Ryabchykov, Christoph Krafft, Thomas Bocklitz,
• Abstract要約: 本稿では,物理インフォームドなカスケードUnetを提案する。 このアーキテクチャは、ネットワークにSNIP層を埋め込んだ化学信号からランダムノイズを分離させる。 このアプローチを、標準のシングルUnetと従来のSavitzky-Golay/SNIPワークフローに対してベンチマークしました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality Fourier Transform Infrared (FTIR) imaging usually needs extensive signal averaging to reduce noise and drift which severely limits clinical speed. Deep learning can accelerate imaging by reconstructing spectra from rapid, single-scan inputs. However, separating noise and baseline drift simultaneously without ground truth is an ill-posed inverse problem. Standard black-box architectures often rely on statistical approximations that introduce spectral hallucinations or fail to generalize to unstable atmospheric conditions. To solve these issues we propose a physics-informed cascade Unet that separates denoising and baseline correction tasks using a new, deterministic Physics Bridge. This architecture forces the network to separate random noise from chemical signals using an embedded SNIP layer to enforce spectroscopic constraints instead of learning statistical approximations. We benchmarked this approach against a standard single Unet and a traditional Savitzky-Golay/SNIP workflow. We used a dataset of human hypopharyngeal carcinoma cells (FaDu). The cascade model outperformed all other methods, achieving a 51.3% reduction in RMSE compared to raw single-scan inputs, surpassing both the single Unet (40.2%) and the traditional workflow (33.7%). Peak-aware metrics show that the cascade architecture eliminates spectral hallucinations found in standard deep learning. It also preserves peak intensity with much higher fidelity than traditional smoothing. These results show that the cascade Unet is a robust solution for diagnostic-grade FTIR imaging. It enables imaging speeds 32 times faster than current methods.
• Abstract（参考訳）: 高品質フーリエ変換赤外線(FTIR)イメージングは通常、ノイズとドリフトを低減し、臨床速度を著しく制限するために、広範囲な信号平均化を必要とする。 ディープラーニングは、高速でシングルスキャン入力からのスペクトルを再構成することで、イメージングを加速することができる。 しかし, 騒音とベースラインのドリフトを同時に分離することは, 逆問題である。 標準的なブラックボックスアーキテクチャは、しばしばスペクトル幻覚を導入する統計的近似に依存し、不安定な大気条件への一般化に失敗する。 これらの問題を解決するために、新しい決定論的物理橋を用いて、デノイングとベースライン修正タスクを分離する物理インフォームドカスケードUnetを提案する。 このアーキテクチャにより、ネットワークはSNIP層を組み込んだ化学信号からランダムノイズを分離し、統計的近似を学習する代わりに分光的制約を強制する。 このアプローチを、標準のシングルUnetと従来のSavitzky-Golay/SNIPワークフローに対してベンチマークしました。 ヒト下咽頭癌細胞(FaDu)のデータセットを用いた。 カスケードモデルは、通常のUnet(40.2%)と従来のワークフロー(33.7%)を上回り、RMSEを51.3%削減した。 ピーク対応メトリクスは、カスケードアーキテクチャが標準ディープラーニングで見られるスペクトル幻覚を排除していることを示している。 また、従来の平滑化よりもはるかに高い忠実度でピーク強度を保っている。 これらの結果から, カスケードUnetは診断グレードFTIRイメージングの堅牢なソリューションであることがわかった。 これは現在の手法の32倍の速度で撮像できる。

関連論文リスト

• Towards Frequency-Adaptive Learning for SAR Despeckling [10.764049665817629]
  分割・分散アーキテクチャに基づく周波数適応型ヘテロジニアスデスペクリングモデルを提案する。 ノイズ特性の異なるサブネットワークを設計し,周波数成分の異なるサブネットワークを設計する。 エッジやテクスチャに富んだ高周波サブバンドに対して,ノイズ抑制と機能強化のための変形可能な畳み込みを備えた拡張U-Netを導入する。
  論文  参考訳（メタデータ） (2025-11-08T07:08:22Z)
• Learning Multi-scale Spatial-frequency Features for Image Denoising [58.883244886588336]
  本稿では,マルチスケール適応型デュアルドメインネットワーク(MADNet)を提案する。 画像ピラミッド入力を用いて低解像度画像からノイズのない結果を復元する。 高周波情報と低周波情報の相互作用を実現するために,適応型空間周波数学習ユニットを設計する。
  論文  参考訳（メタデータ） (2025-06-19T13:28:09Z)
• Fast-RF-Shimming: Accelerate RF Shimming in 7T MRI using Deep Learning [25.158522994692273]
  我々は従来のMLS法と比較して5000倍の高速化を実現するFast-RF-Shimmingを提案する。 我々の手法は、永続的不均一性問題に対処するための有望な解決策を示す。
  論文  参考訳（メタデータ） (2025-01-21T14:09:58Z)
• FCDM: A Physics-Guided Bidirectional Frequency Aware Convolution and Diffusion-Based Model for Sinogram Inpainting [14.043383277622874]
  フルビューのシノグラムは高い放射線線量と長いスキャン時間を必要とする。 スパースビューCTは、この負担を軽減するが、構造的な信号損失を伴う不完全なシノグラムを生じる。 本研究では,Ninogram に適した拡散型フレームワークであるmodelnameを提案する。
  論文  参考訳（メタデータ） (2024-08-26T12:31:38Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral Image Denoising [9.119226249676501]
  ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。 HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。 本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
  論文  参考訳（メタデータ） (2023-05-06T13:28:20Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)

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。