論文の概要: Bound-Constrained Sparse Representation for Electrical Impedance Tomography
- arxiv url: http://arxiv.org/abs/2605.28392v1
- Date: Wed, 27 May 2026 12:30:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:56.044218
- Title: Bound-Constrained Sparse Representation for Electrical Impedance Tomography
- Title（参考訳）: インピーダンストモグラフィのための境界制約スパース表現
- Authors: Chun Zhang, Dong Liu,
- Abstract要約: 本研究では、電気インピーダンストモグラフィ(EIT)のためのバウンダリ制約付きスパース表現(BC-SR)フレームワークを提案する。
BC-SRは表現駆動型戦略を採用し、暗黙の複合パラメータ化によって低次元潜在変数から導電率を生成する。
2D/3Dシミュレーション、タンク実験、および肺内データに対する広範囲な検証は、BC-SRが物理的整合性と構造的忠実性を改善することを示している。
- 参考スコア（独自算出の注目度）: 7.777111968538339
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study proposes a bound-constrained sparse representation (BC-SR) framework for electrical impedance tomography (EIT), aimed at improving conductivity estimation without explicit regularization. BC-SR adopts a representation-driven strategy, generating conductivity from low-dimensional latent variables via an implicit composite parameterization. Structural priors are embedded using a truncated graph-Laplacian basis, while a bound-preserving nonlinear mapping enforces admissible conductivity ranges and improves conditioning through implicit gradient modulation. The approach ensures robust convergence, even under noisy or incomplete data. Extensive validation on 2D/3D simulations, tank experiments, and in-vivo lung data shows that BC-SR improves physical consistency and structural fidelity, offering enhanced robustness compared to traditional methods. Additionally, BC-SR enables 3D time-difference EIT reconstruction, offering improved spatial resolution and a more coherent representation of 3D conductivity distributions, particularly for in-vivo lung data. This suggests potential for improved performance in EIT, particularly in clinical applications for respiratory monitoring.
- Abstract（参考訳）: 本研究では電気インピーダンストモグラフィー(EIT)のための境界制約付きスパース表現(BC-SR)フレームワークを提案する。
BC-SRは表現駆動型戦略を採用し、暗黙の複合パラメータ化によって低次元潜在変数から導電率を生成する。
構造的事前はトラルンケートグラフ-ラプラシア基底を用いて埋め込むが、有界保存非線形写像は許容導電率範囲を強制し、暗黙の勾配変調による条件付けを改善する。
このアプローチは、ノイズや不完全なデータであっても、堅牢な収束を保証する。
2D/3Dシミュレーション、タンク実験、および生存中の肺データに対する広範囲な検証は、BC-SRが身体の整合性と構造的忠実性を改善し、従来の方法と比較して堅牢性を高めていることを示している。
さらに、BC-SRは3次元時間差EIT再構成を可能にし、空間分解能の向上と3次元伝導率分布のより一貫性のある表現を提供する。
これは、特に呼吸モニタリングにおける臨床応用において、EITの性能改善の可能性を示している。
関連論文リスト
- Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - Evaluating the Efficiency of Latent Spaces via the Coupling-Matrix [0.5013248430919224]
本稿では,次元間の依存関係を直接定量化する冗長指数rho(C)を導入する。
低rho(C)は高い分類精度または低い再構成誤差を確実に予測する一方、高い冗長性は性能崩壊と関連付けられる。
木構造型Parzen Estimator (TPE) は低ロー領域を優先的に探索し,rho(C) がニューラルアーキテクチャ探索を誘導し,冗長性を考慮した正規化ターゲットとして機能することを示唆する。
論文 参考訳（メタデータ） (2025-09-08T03:36:47Z) - Learned Regularization for Microwave Tomography [7.792752191078406]
単段拡散正規化(Single-Step Diffusion Regularization、SSD-Reg)は、拡散先行を反復的再構成プロセスに埋め込む新しいアプローチである。
SSD-Regは、制御物理学と構造の詳細の両方に忠実さを維持している。
機能的画像再構成に固有の不備に対処するための、柔軟で効果的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-08-11T15:54:58Z) - High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。
近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。
機能適応型INR(FA-INR)を提案する。
論文 参考訳（メタデータ） (2025-06-07T16:45:17Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Dynamic 3D KAN Convolution with Adaptive Grid Optimization for Hyperspectral Image Classification [12.168520751389622]
Kanetは改良された3D-DenseNetモデルであり、3D Kan Convとアダプティブグリッド更新機構で構成されている。
Kanetはネットワークの深さや幅を増大させることなく、3D動的専門家畳み込みシステムを通じてモデル表現能力を向上させる。
提案手法は、IN, UP, KSCデータセット上での優れた性能を示し、主流のハイパースペクトル画像分類手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2025-04-21T14:57:48Z) - Diff-INR: Generative Regularization for Electrical Impedance Tomography [6.7667436349597985]
電気インピーダンストモグラフィ(EIT)は、境界測定から体内の導電率分布を再構成する。
EIT再構成は、正確な結果が複雑である不適切な非線形逆問題によって妨げられる。
拡散モデルを用いて生成正規化とインプリシットニューラル表現(INR)を組み合わせた新しい手法であるDiff-INRを提案する。
論文 参考訳（メタデータ） (2024-09-06T14:21:23Z) - Efficient Real-world Image Super-Resolution Via Adaptive Directional Gradient Convolution [80.85121353651554]
畳み込みカーネル内でのカーネル単位の微分演算を導入し、学習可能な方向勾配畳み込みを開発する。
これらの畳み込みは、新しい線形重み付け機構と平行に統合され、適応方向勾配畳み込み(DGConv)を形成する。
さらに,適応情報相互作用ブロック(AIIBlock)を設計し,テクスチャとコントラストの強化のバランスをとるとともに,相互依存性を慎重に検討し,単純な積み重ねによるリアルSRのためのDGPNetを作成する。
論文 参考訳（メタデータ） (2024-05-11T14:21:40Z)
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。