論文の概要: ROIX-Comp: Optimizing X-ray Computed Tomography Imaging Strategy for Data Reduction and Reconstruction
- arxiv url: http://arxiv.org/abs/2602.15917v1
- Date: Tue, 17 Feb 2026 05:12:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-19 15:58:30.392649
- Title: ROIX-Comp: Optimizing X-ray Computed Tomography Imaging Strategy for Data Reduction and Reconstruction
- Title（参考訳）: ROIX-Comp:データ削減と再構成のためのX線CTの最適化戦略
- Authors: Amarjit Singh, Kento Sato, Kohei Yoshida, Kentaro Uesugi, Yasumasa Joti, Takaki Hatsui, Andrès Rubio Proaño,
- Abstract要約: 大規模X線CT(Computerd Tomography)データセットは、計算と記憶に重大な課題をもたらす。
我々は,本質的な特徴のみを特定し,保持することにより,X-CTデータをインテリジェントに圧縮するフレームワークを提案する。
我々の作業は、下流処理タスクの重要な情報を保持しながら、データ量を削減します。
- 参考スコア（独自算出の注目度）: 1.0213923031662313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In high-performance computing (HPC) environments, particularly in synchrotron radiation facilities, vast amounts of X-ray images are generated. Processing large-scale X-ray Computed Tomography (X-CT) datasets presents significant computational and storage challenges due to their high dimensionality and data volume. Traditional approaches often require extensive storage capacity and high transmission bandwidth, limiting real-time processing capabilities and workflow efficiency. To address these constraints, we introduce a region-of-interest (ROI)-driven extraction framework (ROIX-Comp) that intelligently compresses X-CT data by identifying and retaining only essential features. Our work reduces data volume while preserving critical information for downstream processing tasks. At pre-processing stage, we utilize error-bounded quantization to reduce the amount of data to be processed and therefore improve computational efficiencies. At the compression stage, our methodology combines object extraction with multiple state-of-the-art lossless and lossy compressors, resulting in significantly improved compression ratios. We evaluated this framework against seven X-CT datasets and observed a relative compression ratio improvement of 12.34x compared to the standard compression.
- Abstract（参考訳）: 高速コンピューティング(HPC)環境では、特に放射光施設では、大量のX線画像が生成される。
大規模X線CT(Computerd Tomography)データセットの処理は、その高次元性とデータボリュームのため、計算と記憶に重大な課題をもたらす。
従来のアプローチでは、大規模なストレージ容量と高い伝送帯域を必要とし、リアルタイム処理能力とワークフロー効率を制限していた。
これらの制約に対処するため、本論文では、X-CTデータのみを識別・保持し、インテリジェントに圧縮するROIX-Comp(rea-of-interest)駆動抽出フレームワークを導入する。
我々の作業は、下流処理タスクの重要な情報を保持しながら、データ量を削減します。
プリプロセッシング段階では、エラーバウンド量子化を利用して処理するデータの量を削減し、計算効率を向上させる。
圧縮段階では、オブジェクト抽出と複数の最先端のロスレス圧縮機とを組み合わせ、圧縮率を大幅に改善する。
我々は,このフレームワークを7つのX-CTデータセットに対して評価し,標準圧縮と比較して12.34倍の相対圧縮率向上を示した。
関連論文リスト
- Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - Learned Image Compression for Earth Observation: Implications for Downstream Segmentation Tasks [2.048356018298881]
データ量を削減するためのタスク固有学習圧縮アルゴリズムの可能性を評価する。
圧縮学習はJPEG 2000よりも大規模で多チャンネルの光学画像に優れる。
従来のコーデックは、より小さな単一チャネルの熱赤外データセットで競争力を維持している。
論文 参考訳（メタデータ） (2025-12-01T15:27:33Z) - COLI: A Hierarchical Efficient Compressor for Large Images [18.697445453003983]
Inlicit Neural Representations (INR)は、空間座標から個々の画像のピクセル強度への連続的なマッピングを学習することで、有望な代替手段を提供する。
我々は、NeRV(Neural Representations for Videos)を利用した新しいフレームワークであるCOLI(Compressor for Large Images)を紹介する。
また,COLIは,最大4倍のNRVトレーニングをしながら,PSNRとSSIMの競合や優れた測定値を,ピクセル当たりのビット数(bpp)で連続的に達成することを示した。
論文 参考訳（メタデータ） (2025-07-15T16:07:07Z) - Pathology Image Compression with Pre-trained Autoencoders [52.208181380986524]
デジタル病理学における全スライド画像は、記憶、伝達、計算効率の面で大きな課題をもたらす。
JPEGのような標準的な圧縮手法はファイルサイズを小さくするが、下流のタスクに不可欠な微細な表現型の詳細を保存できない。
本研究では,遅延拡散モデル用に設計されたオートエンコーダ(AE)を,病理画像の効率的な学習圧縮フレームワークとして再利用する。
論文 参考訳（メタデータ） (2025-03-14T17:01:17Z) - Compressing high-resolution data through latent representation encoding for downscaling large-scale AI weather forecast model [10.634513279883913]
本稿では,高解像度データセットの圧縮に適した変分オートエンコーダフレームワークを提案する。
本フレームワークは,HRCLDASデータの3年間の保存容量を8.61TBから204GBに削減し,必須情報を保存した。
論文 参考訳（メタデータ） (2024-10-10T05:38:03Z) - Convolutional variational autoencoders for secure lossy image compression in remote sensing [47.75904906342974]
本研究では,畳み込み変分オートエンコーダ(CVAE)に基づく画像圧縮について検討する。
CVAEは、JPEG2000のような従来の圧縮手法を圧縮ベンチマークデータセットのかなりのマージンで上回ることが示されている。
論文 参考訳（メタデータ） (2024-04-03T15:17:29Z) - JPEG Quantized Coefficient Recovery via DCT Domain Spatial-Frequential Transformer [45.134271969594614]
JPEG量子化係数回復のためのDCT領域空間周波数変換器(DCTransformer)を提案する。
提案するDCTransformerは,現在最先端のJPEGアーティファクト除去技術より優れている。
論文 参考訳（メタデータ） (2023-08-17T17:32:56Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳（メタデータ） (2021-12-08T13:02:53Z)
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。