論文の概要: FrequencyCT: Frequency domain pseudo-label generation for self-supervised low-dose CT denoising

• arxiv url: http://arxiv.org/abs/2605.10583v1
• Date: Mon, 11 May 2026 13:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.865561
• Title: FrequencyCT: Frequency domain pseudo-label generation for self-supervised low-dose CT denoising
• Title（参考訳）: 自己監督型低用量CTにおける周波数領域擬似ラベル生成
• Authors: Guoquan Wei, Liu Shi, Chong Chen, Qiegen Liu,
• Abstract要約: 周波数CTは低用量CTにおける周波数領域における擬似ラベル生成のための最初のゼロショット自己教師法である。 高周波領域における位相保存振幅変調とマスク摂動は、自己監督のための擬似ラベルデータを生成する。
• 参考スコア（独自算出の注目度）: 8.709309633329585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite extensive research on computed tomography (CT) denoising, few studies exploit projection-domain data characteristics to mitigate noise correlation. To address this, this work proposes FrequencyCT, the first zero-shot self-supervised method for pseudo-label generation in the frequency domain for low-dose CT denoising. Leveraging the characteristic of the frequency domain that largely isolates noise from clean signals, a regional low-frequency anchoring technique is proposed. Phase-preserving amplitude modulation and mask perturbation in the high-frequency region generate pseudo-label data for self-supervision. The fluctuating noise variance in the projection domain prompts truncation of the generated samples to stabilize the network's optimization gradient. Evaluation results on multiple public and real-world datasets confirm the clinical application potential of this research, which will have a revolutionary impact on the field of denoising. The code can be obtained from https://github.com/yqx7150/FrequencyCT.
• Abstract（参考訳）: CT(Computerd tomography)デノイズ化に関する広範な研究にもかかわらず、雑音相関を緩和するために投影領域データ特性を利用する研究はほとんどない。 そこで本研究では,低用量CT復調のための周波数領域における擬似ラベル生成のための最初のゼロショット自己教師方式である FrequencyCT を提案する。 クリーン信号からノイズの大部分を分離する周波数領域の特性を活用して、局所的な低周波アンカー手法を提案する。 高周波領域における位相保存振幅変調とマスク摂動は、自己監督のための擬似ラベルデータを生成する。 プロジェクション領域における変動ノイズのばらつきは、生成されたサンプルの切り離しを促し、ネットワークの最適化勾配を安定化させる。 複数の公開および実世界のデータセットに対する評価結果は、この研究の臨床的応用の可能性を確認し、認知の分野に革命的な影響を与えるだろう。 コードはhttps://github.com/yqx7150/FrequencyCTから取得できる。

関連論文リスト

• Kurtosis-Guided Denoising Score Matching for Tabular Anomaly Detection [6.893608092072852]
  Denoising score matching (DSM)は、ニューラルネットワークをトレーニングしてスコア関数を復元することで、データの分散を学ぶ方法を提供する。 K-DSM(Kurtosis-based noise scaling)は,各周縁分布の形状から雑音レベルを設定する方式である。 標準的な異常検出ベンチマークでは、K-DSMは半教師付き設定で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-05-07T21:19:12Z)
• Neighbor2Inverse: Self-Supervised Denoising for Low-Dose Region-of-Interest Phase Contrast CT [3.292132675169194]
  改良された畳み込みニューラルネットベースのデノゲーションは、画質を回復するが、ペア化された低量データセットと高用量データセットに依存する。 臨床CTに一般化した低用量PBI-CTのための自己教師型 denoising framework である Neighbor2Inverse を紹介する。
  論文  参考訳（メタデータ） (2026-05-01T20:17:33Z)
• Statistical Characteristic-Guided Denoising for Rapid High-Resolution Transmission Electron Microscopy Imaging [13.284885098118997]
  高分解能透過電子顕微鏡は核生成ダイナミクスの原子スケール観察を可能にする。 核形成のミリ秒スケールの急激な変化のため、短時間の露光高速イメージングが必要であり、原子の位置を隠蔽する激しいノイズを引き起こす。 本稿では,空間領域と周波数領域の両方においてデノナイジング過程を導くための統計的特徴誘導型デノナイジングネットワークを提案する。
  論文  参考訳（メタデータ） (2026-03-19T12:36:23Z)
• How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime? [78.0226274470175]
  我々は、勾配更新にラベルノイズを導入することで、ニューラルネットワーク(NN)のテスト性能が向上するかどうか検討する。 学習中のラベルノイズの付加は,学習過程を支配することを防止し,雑音の記憶を抑制することを実証する。 対照的に、標準GDで訓練されたNNは、同じ低SNR環境でのノイズに過度に適応する傾向にある。
  論文  参考訳（メタデータ） (2025-10-20T13:28:13Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Wavelet Integrated Convolutional Neural Network for ECG Signal Denoising [1.565361244756411]
  ドライ電極を用いたウェアラブル心電図(ECG)測定は、高強度ノイズ歪みに問題がある。 本研究では、クリーンECGの特定の周波数特徴を抽出するウェーブレット変換層を付加した畳み込みニューラルネットワーク(CNN)モデルを提案する。 実験の結果,提案手法は全ての周波数領域を考慮し,ノイズを低減した正確なECGの挙動を効果的に予測できることが確認された。
  論文  参考訳（メタデータ） (2025-01-12T06:18:46Z)
• Frequency-regularized Neural Representation Method for Sparse-view Tomographic Reconstruction [8.45338755060592]
  自己教師付きスパース・ビュー・トモグラフィ再構成のための正規化ニューラル減衰/活性場(Freq-NAF)を提案する。 Freq-NAFは、ニューラルネットワーク入力の可視周波数帯域を直接制御して、周波数正規化による過度な適合を緩和する。
  論文  参考訳（メタデータ） (2024-09-22T11:19:38Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)

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。