論文の概要: Transferable Optimization Network for Cross-Domain Image Reconstruction
- arxiv url: http://arxiv.org/abs/2603.07831v1
- Date: Sun, 08 Mar 2026 22:20:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:15.309796
- Title: Transferable Optimization Network for Cross-Domain Image Reconstruction
- Title（参考訳）: クロスドメイン画像再構成のための転送可能最適化ネットワーク
- Authors: Yunmei Chen, Chi Ding, Xiaojing Ye,
- Abstract要約: 本研究では,画像再構成問題における限られたトレーニングデータに挑戦する新たなトランスファー学習フレームワークを開発する。
最初のステップでは、大規模な異種データセットから重要な知識を学ぶことができる強力な普遍的特徴抽出器を訓練する。
第2のステップでは、新しいターゲットドメインやタスクのためのタスク固有のドメインアダプタを、トレーニングに利用可能な限られた量のデータでトレーニングします。
- 参考スコア（独自算出の注目度）: 1.4929298667651638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a novel transfer learning framework to tackle the challenge of limited training data in image reconstruction problems. The proposed framework consists of two training steps, both of which are formed as bi-level optimizations. In the first step, we train a powerful universal feature-extractor that is capable of learning important knowledge from large, heterogeneous data sets in various domains. In the second step, we train a task-specific domain-adapter for a new target domain or task with only a limited amount of data available for training. Then the composition of the adapter and the universal feature-extractor effectively explores feature which serve as an important component of image regularization for the new domains, and this leads to high-quality reconstruction despite the data limitation issue. We apply this framework to reconstruct under-sampled MR images with limited data by using a collection of diverse data samples from different domains, such as images of other anatomies, measurements of various sampling ratios, and even different image modalities, including natural images. Experimental results demonstrate a promising transfer learning capability of the proposed method.
- Abstract（参考訳）: 本研究では,画像再構成問題における限られたトレーニングデータに挑戦する新たなトランスファー学習フレームワークを開発する。
提案するフレームワークは2つのトレーニングステップから構成される。
最初のステップでは、さまざまな領域における大規模で異質なデータセットから重要な知識を学ぶことができる強力な普遍的特徴抽出器を訓練する。
第2のステップでは、新しいターゲットドメインやタスクのためのタスク固有のドメインアダプタを、トレーニングに利用可能な限られた量のデータでトレーニングします。
そして、アダプタとユニバーサル特徴抽出器の構成は、新しい領域のイメージ正規化の重要な構成要素となる特徴を効果的に探求し、データ制限問題にもかかわらず高品質な再構成をもたらす。
本フレームワークは,他の解剖学の画像,様々なサンプリング比の測定,さらには自然画像を含む様々な画像モダリティなど,さまざまな領域から収集された多様なデータを用いて,限られたデータでアンダーサンプリングされたMR画像の再構成を行う。
実験により,提案手法の有望な伝達学習能力を示す。
関連論文リスト
- An Adaptive, Disentangled Representation for Multidimensional MRI Reconstruction [3.3803617991341053]
多次元磁気共鳴画像(MRI)データの表現と再構成のための新しい手法を提案する。
提案手法は,幾何学やコントラストなど,異なるタイプの特徴を異なる低次元の潜在空間に分解する,新しい特徴に基づく画像表現に基づく。
学習表現とゼロショットの自己教師付き学習適応とサブスペースモデリングを統合するために,新しい再構成形式とアルゴリズムを開発した。
論文 参考訳（メタデータ） (2025-12-31T07:02:21Z) - Retrieval-guided Cross-view Image Synthesis [3.7477511412024573]
クロスビュー画像合成は、信頼性の高い対応を確立する上で大きな課題となる。
本稿では,検索手法が効果的なクロスビュー画像合成を促進する方法を再定義する検索誘導フレームワークを提案する。
我々の研究は、情報検索と合成タスクを橋渡しし、検索技術が複雑なドメイン間合成の課題にどのように対処できるかについての洞察を提供する。
論文 参考訳（メタデータ） (2024-11-29T07:04:44Z) - Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [48.74331852418905]
直接画像からグラフへの変換は、1つのモデルで物体の検出と関係予測を解くことを伴う課題である。
このタスクの複雑さのため、多くのドメインで大規模なトレーニングデータセットはまれであり、ディープラーニングメソッドのトレーニングを困難にしている。
画像-グラフ変換器のクロスドメインおよびクロス次元学習を可能にする一連の手法を提案する。
論文 参考訳（メタデータ） (2024-03-11T10:48:56Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - Data Instance Prior for Transfer Learning in GANs [25.062518859107946]
限られたデータ領域におけるGANの新たな転送学習手法を提案する。
提案手法は,対象画像の少ない領域に知識を効果的に伝達することを示す。
また,大規模な無条件画像生成と画像編集タスクに先立って,データインスタンスの有用性を示す。
論文 参考訳（メタデータ） (2020-12-08T07:40:30Z) - DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image
Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。
私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。
本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文 参考訳（メタデータ） (2020-10-13T07:28:39Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳（メタデータ） (2020-04-01T12:56:13Z)
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。