論文の概要: A Diffusion-Based Generative Prior Approach to Sparse-view Computed Tomography

• arxiv url: http://arxiv.org/abs/2602.10722v1
• Date: Wed, 11 Feb 2026 10:27:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.767466
• Title: A Diffusion-Based Generative Prior Approach to Sparse-view Computed Tomography
• Title（参考訳）: Sparse-view Computed Tomography への拡散法に基づく予備的アプローチ
• Authors: Davide Evangelista, Pasquale Cascarano, Elena Loli Piccolomini,
• Abstract要約: 本稿では, 深部生成モデルを用いて, スパース測地からのX線CT画像の再構成を行うための枠組みを提案する。 高度に平らな測地でも得られた結果は極めて有望であるが、この方向にはさらなる研究が必要であることは明らかである。
• 参考スコア（独自算出の注目度）: 1.0960289997471082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reconstruction of X-rays CT images from sparse or limited-angle geometries is a highly challenging task. The lack of data typically results in artifacts in the reconstructed image and may even lead to object distortions. For this reason, the use of deep generative models in this context has great interest and potential success. In the Deep Generative Prior (DGP) framework, the use of diffusion-based generative models is combined with an iterative optimization algorithm for the reconstruction of CT images from sinograms acquired under sparse geometries, to maintain the explainability of a model-based approach while introducing the generative power of a neural network. There are therefore several aspects that can be further investigated within these frameworks to improve reconstruction quality, such as image generation, the model, and the iterative algorithm used to solve the minimization problem, for which we propose modifications with respect to existing approaches. The results obtained even under highly sparse geometries are very promising, although further research is clearly needed in this direction.
• Abstract（参考訳）: スパースやリミテッドアングルからのX線CT画像の再構成は極めて難しい課題である。 データ不足は、通常、再構成された画像のアーティファクトにつながり、オブジェクトの歪みにつながる可能性がある。 このため、この文脈における深い生成モデルの使用は大きな関心と潜在的成功をもたらす。 Deep Generative Prior(DGP)フレームワークでは、拡散ベースの生成モデルと、スパースジオメトリーで取得したシングラムからCT画像の再構成を反復的に最適化するアルゴリズムを組み合わせることで、ニューラルネットワークの生成能力を導入しながらモデルベースアプローチの説明可能性を維持する。 したがって、これらのフレームワークには、画像生成、モデル、および最小化問題を解決するために使用される反復アルゴリズムなどの再構成品質を改善するためのいくつかの側面があり、既存のアプローチに対する修正を提案する。 高度に平らな測地でも得られた結果は極めて有望であるが、この方向にはさらなる研究が必要であることは明らかである。

関連論文リスト

• Limited-angle x-ray nano-tomography with machine-learning enabled iterative reconstruction engine [0.820550741199358]
  本稿ではパーセプション融合反復トモグラフィ再構成エンジンという手法を提案する。 畳み込みニューラルネットワーク(CNN)と、スマートレギュレータとしての認識知識を、反復的な問題解決エンジンに統合する。 異なるX線顕微鏡技術を用いて得られた様々な実験データセットを用いて,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-03-25T01:14:16Z)
• Integrating Generative and Physics-Based Models for Ptychographic Imaging with Uncertainty Quantification [0.0]
  Ptychographyは、走査コヒーレントな回折イメージング技術であり、拡張サンプルのナノメートル規模の特徴を撮像することができる。 本稿では,近隣のスキャン位置間の重複を少なくしながらも効果的に機能するptychographyのベイズ逆解析法を提案する。
  論文  参考訳（メタデータ） (2024-12-14T16:16:37Z)
• GeoPos: A Minimal Positional Encoding for Enhanced Fine-Grained Details in Image Synthesis Using Convolutional Neural Networks [0.0]
  複雑な幾何学的特徴を再現する画像生成モデルの永続的不備は、ほぼ10年間にわたって進行中の問題であった。 本稿では,この問題を幾何的能力の畳み込み層を拡大することにより緩和する方法について述べる。 本研究では,拡散モデル,GAN,変分オートエンコーダ(VAE)によって生成された画像の品質を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2024-01-03T19:27:20Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Bayesian Inversion for Nonlinear Imaging Models using Deep Generative Priors [24.544313203472992]
  非線形逆問題クラスに対するメトロポリス調整ランゲヴィンアルゴリズムに基づくトラクタブル後方サンプリング手法を開発した。 本稿では,2つの非線形画像モダリティ-位相検索と光回折トモグラフィーに応用することで,この枠組みの利点を述べる。
  論文  参考訳（メタデータ） (2022-03-18T17:47:29Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。