論文の概要: VoDaSuRe: A Large-Scale Dataset Revealing Domain Shift in Volumetric Super-Resolution

• arxiv url: http://arxiv.org/abs/2603.23153v1
• Date: Tue, 24 Mar 2026 12:54:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.483503
• Title: VoDaSuRe: A Large-Scale Dataset Revealing Domain Shift in Volumetric Super-Resolution
• Title（参考訳）: VoDaSuRe: ボリューム超解法における大規模データセットのドメインシフト
• Authors: August Leander Høeg, Sophia Wiinberg Bardenfleth, Hans Martin Kjer, Tim Bjørn Dyrby, Vedrana Andersen Dahl, Anders Bjorholm Dahl,
• Abstract要約: ボリューム超解像の最近の進歩は、医用および科学的な画像に強い性能を示している。 この性能の多くは、実際の低解像度スキャンではなく、サンプルデータのトレーニングに由来する。 本稿では,2組の高分解能スキャンと低分解能スキャンを含む大規模ボリュームデータセットであるVoDaSuReを紹介する。
• 参考スコア（独自算出の注目度）: 7.3613093638855505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in volumetric super-resolution (SR) have demonstrated strong performance in medical and scientific imaging, with transformer- and CNN-based approaches achieving impressive results even at extreme scaling factors. In this work, we show that much of this performance stems from training on downsampled data rather than real low-resolution scans. This reliance on downsampling is partly driven by the scarcity of paired high- and low-resolution 3D datasets. To address this, we introduce VoDaSuRe, a large-scale volumetric dataset containing paired high- and low-resolution scans. When training models on VoDaSuRe, we reveal a significant discrepancy: SR models trained on downsampled data produce substantially sharper predictions than those trained on real low-resolution scans, which smooth fine structures. Conversely, applying models trained on downsampled data to real scans preserves more structure but is inaccurate. Our findings suggest that current SR methods are overstated - when applied to real data, they do not recover structures lost in low-resolution scans and instead predict a smoothed average. We argue that progress in deep learning-based volumetric SR requires datasets with paired real scans of high complexity, such as VoDaSuRe. Our dataset and code are publicly available through: https://augusthoeg.github.io/VoDaSuRe/
• Abstract（参考訳）: 近年のボリューム超解像 (SR) の進歩は, 医療・科学的イメージングにおいて高い性能を示し, トランスフォーマーおよびCNNベースのアプローチは, 極端なスケーリング要因においても顕著な成果を上げている。 本研究では,この性能の多くは,実際の低分解能スキャンではなく,サンプルデータによるトレーニングに起因していることを示す。 このダウンサンプリングへの依存は、ペア化された高解像度と低解像度の3Dデータセットの不足によってもたらされる。 これを解決するために,高解像度と低解像度の2つのスキャンを含む大規模ボリュームデータセットであるVoDaSuReを紹介する。 VoDaSuReのトレーニングモデルでは、ダウンサンプルデータに基づいてトレーニングされたSRモデルは、実際の低解像度スキャンでトレーニングされたモデルよりもかなりシャープな予測を生成し、微細な構造を滑らかにします。 逆に、サンプルデータに基づいてトレーニングされたモデルを実際のスキャンに適用すると、より多くの構造が保存されるが、不正確である。 実データに適用すると、低分解能スキャンで失われた構造を復元せず、スムーズな平均を予測できる。 ディープラーニングベースのボリュームSRの進歩には、VoDaSuReのような高複雑性のペア実スキャンによるデータセットが必要である、と我々は主張する。 私たちのデータセットとコードは、https://augusthoeg.github.io/VoDaSuRe/を通じて公開されています。

関連論文リスト

• Dataset Distillation for Super-Resolution without Class Labels and Pre-trained Models [22.094181812322574]
  ディープニューラルネットワークのトレーニングはますます需要を増し、大規模なデータセットと重要な計算リソースを必要としている。 本稿では,クラスラベルや事前学習SRモデルを必要としない画像SRに対して,新しいデータ蒸留手法を提案する。 実験結果から,本手法はトレーニングデータを大幅に削減し,計算時間を削減するとともに,最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-09-18T09:25:51Z)
• Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
  画像超解像(SR)におけるトレーニングデータの効果について検討する。 そこで我々は,自動画像評価パイプラインを提案する。 その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
  論文  参考訳（メタデータ） (2024-09-01T16:25:04Z)
• A Study in Dataset Pruning for Image Super-Resolution [9.512648704408095]
  損失値に基づいて選択したトレーニングサンプルのコアセットにデータセットを還元する,新たなアプローチを導入する。 データセット全体のトレーニングで得られた結果に匹敵する、あるいは上回る結果が得られます。
  論文  参考訳（メタデータ） (2024-03-25T18:16:34Z)
• Dataset Quantization [72.61936019738076]
  大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
  論文  参考訳（メタデータ） (2023-08-21T07:24:29Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Hyperspectral Image Super-Resolution with Spectral Mixup and Heterogeneous Datasets [99.92564298432387]
  ハイパースペクトル画像(HSI)超解像(SR)の研究 HSI SRは高次元データと限られたトレーニング例によって特徴づけられる。 これにより、非分布サンプルに対する記憶や感度などのニューラルネットワークの望ましくない動作が悪化する。
  論文  参考訳（メタデータ） (2021-01-19T12:19:53Z)
• A Close Look at Deep Learning with Small Data [0.0]
  モデル複雑性は、クラス毎に数個のサンプルしか利用できない場合に重要な要素であることを示す。 また、標準的なデータ拡張であっても、認識性能を大きなマージンで向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-03-28T17:11:29Z)

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。