論文の概要: Image Quality in the Era of Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2602.09347v1
• Date: Tue, 10 Feb 2026 02:52:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.337289
• Title: Image Quality in the Era of Artificial Intelligence
• Title（参考訳）: 人工知能時代の画像品質
• Authors: Jana G. Delfino, Jason L. Granstedt, Frank W. Samuelson, Robert Ochs, Krishna Juluru,
• Abstract要約: このコミュニケーションの目的は、AIが放射線画像の再構成や拡張に使用されるときの限界に注意を向けることである。 このコミュニケーションの目的は、リスクを最小限にしつつ、ユーザーがテクノロジーの利点を享受できるようにすることである。
• 参考スコア（独自算出の注目度）: 0.37282630026096597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) is being deployed within radiology at a rapid pace. AI has proven an excellent tool for reconstructing and enhancing images that appear sharper, smoother, and more detailed, can be acquired more quickly, and allowing clinicians to review them more rapidly. However, incorporation of AI also introduces new failure modes and can exacerbate the disconnect between perceived quality of an image and information content of that image. Understanding the limitations of AI-enabled image reconstruction and enhancement is critical for safe and effective use of the technology. Hence, the purpose of this communication is to bring awareness to limitations when AI is used to reconstruct or enhance a radiological image, with the goal of enabling users to reap benefits of the technology while minimizing risks.
• Abstract（参考訳）: 人工知能(AI)は放射線学に急速に導入されている。 AIは、よりシャープでスムーズで、より詳細に見える画像の再構築と強化を行うための優れたツールを証明した。 しかし、AIの法人化は、新たな障害モードを導入し、画像の品質と画像の情報内容との接続を悪化させる可能性がある。 AIによる画像再構成と拡張の限界を理解することは、この技術の安全かつ効果的な利用には不可欠である。 したがって、このコミュニケーションの目的は、AIを使用して放射線画像の再構成や強化を行う場合に、リスクを最小限に抑えながら、ユーザーがテクノロジーの利点を享受できるようにすることである。

関連論文リスト

• RAID: A Dataset for Testing the Adversarial Robustness of AI-Generated Image Detectors [57.81012948133832]
  本稿では,72kの多種多様かつ高い変換可能な対向例からなるRAID(Robust Evaluation of AI- generated Image Detectors)を提案する。 提案手法は,未知の検出器に高い成功率で転送する逆画像を生成する。 以上の結果から,現在最先端のAI生成画像検出器は,敵の例によって容易に認識できることが示唆された。
  論文  参考訳（メタデータ） (2025-06-04T14:16:00Z)
• Is Artificial Intelligence Generated Image Detection a Solved Problem? [16.9828631287303]
  AIGIBenchは、最先端AIGI検出器の堅牢性と一般化能力を厳格に評価するために設計されたベンチマークである。 マルチソースの一般化、画像劣化に対する堅牢性、データ拡張に対する敏感性、テスト時間前処理の影響の4つのコアタスクを通じて、現実世界の課題をシミュレートする。 ソーシャルメディアやAIアートプラットフォームから収集された実世界のサンプルとともに、高度な画像生成技術と広く採用されている画像生成技術の両方にまたがる、23の多様なフェイクイメージサブセットが含まれている。
  論文  参考訳（メタデータ） (2025-05-18T10:00:39Z)
• The Impact of Artificial Intelligence on Emergency Medicine: A Review of Recent Advances [0.2544903230401084]
  人工知能(AI)は、診断プロセスを強化し、患者の結果を改善することで、救急医療に革命をもたらす。 機械学習とディープラーニングは、複雑な画像データの解釈において重要な要素であり、迅速で正確な診断を提供し、従来の診断方法を超える可能性がある。 これらの進歩にもかかわらず、AIを臨床実践に統合することは、データのプライバシ、アルゴリズムバイアス、さまざまな設定にまたがる広範な検証の必要性といった課題を提示している。
  論文  参考訳（メタデータ） (2025-03-17T17:45:00Z)
• Research and Design on Intelligent Recognition of Unordered Targets for Robots Based on Reinforcement Learning [6.3630131513288966]
  本研究では,強化学習を用いたAIに基づく知的ロボットの標的認識手法を提案する。 強化されたターゲットイメージは、トレーニングのための深層強化学習モデルに入力され、最終的にはAIベースのインテリジェントロボットが、混乱したターゲットを効率的に認識できるようにする。 実験結果から,提案手法は目標画像の品質を向上するだけでなく,AIをベースとした知能ロボットが,高効率かつ精度で障害対象の認識タスクを完了できることが示唆された。
  論文  参考訳（メタデータ） (2025-03-10T13:53:22Z)
• A Sanity Check for AI-generated Image Detection [49.08585395873425]
  我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。 AIDEは最先端の手法を+3.5%、+4.6%改善した。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• Anatomy and Physiology of Artificial Intelligence in PET Imaging [0.0]
  この記事では、PETイメージングで最も遭遇しそうな側面に特に焦点をあてて、現代のAIの中核となる原則を解説したガイドを提供する。 本稿では、畳み込みニューラルネットワーク、アルゴリズムトレーニング、セグメンテーションと画像合成によく使われるU-Netの構成要素について説明する。
  論文  参考訳（メタデータ） (2023-11-30T15:12:57Z)
• Seeing is not always believing: Benchmarking Human and Model Perception of AI-Generated Images [66.20578637253831]
  人工知能(AI)技術の進歩が偽写真を生み出すのではないかという懸念が高まっている。 本研究の目的は、最先端のAI生成視覚コンテンツを識別するためのエージェントを包括的に評価することである。
  論文  参考訳（メタデータ） (2023-04-25T17:51:59Z)
• FUTURE-AI: Guiding Principles and Consensus Recommendations for Trustworthy Artificial Intelligence in Medical Imaging [6.099257839022179]
  Future-AIフレームワークは、医療におけるAIの信頼性、安全性、採用を促進するための原則を導いてくれる。 我々は、Future-AIの一般的な医療原則を、医療画像コミュニティのニーズに合わせて、簡潔で具体的なAI実装ガイドに変換する。
  論文  参考訳（メタデータ） (2021-09-20T16:22:49Z)

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。