論文の概要: Deep Unrolled Networks in Representation Space Applied to MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2606.21602v1
• Date: Fri, 19 Jun 2026 17:01:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 04:38:21.931737
• Title: Deep Unrolled Networks in Representation Space Applied to MRI Reconstruction
• Title（参考訳）: MRI再構成に応用した表現空間の深部Unrolled Networks
• Authors: Efe Ilıcak, Baris Imre, Chloé Najac, Ruben van den Broek, Beatrice Lena, Andrew Webb, Marius Staring,
• Abstract要約: ディープ・ネットワーク(DUN)は、物理フォワードモデルと学習された正規化をカスケードネットワークアーキテクチャに統合する。 本稿では,学習した表現空間を操作しながら,物理測定の厳密性を維持するフレームワークであるDUNEを紹介する。
• 参考スコア（独自算出の注目度）: 1.2806323642084227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep unrolled networks (DUNs) integrate physical forward models with learned regularization in cascaded network architectures, achieving exceptional performance in inverse problems while maintaining interpretability. While most DUNs operate in the object domain (e.g., image space), recent variants explored representation spaces for improved information flow. However, these methods rely on heuristic methods for data consistency (DC), sacrificing fidelity with measurements. In this work, we introduce DUNE (Deep Unrolled Networks in rEpresentation space), a framework that maintains exact adherence to physical measurements while operating in learned representation spaces. By deriving the DC gradient via the chain rule and implementing it through the Vector-Jacobian Product (VJP), we enable exact backpropagation of measurement residuals into the representation space. This formulation supports diverse architectural backbones, including pre-trained encoders to guide the iterative process. We assess DUNE against state-of-the-art baselines on accelerated MRI reconstruction tasks, demonstrating that exact VJP-based gradients yield superior reconstruction quality and structural fidelity across both single-channel portable low-field and multi-channel clinical high-field MRI acquisitions. The code will be available upon publication at https://github.com/EfeIlicak/DUNE.
• Abstract（参考訳）: ディープ・アンロールド・ネットワーク(DUN)は、物理フォワードモデルをカスケードネットワークアーキテクチャで学習した正規化と統合し、解釈可能性を維持しながら逆問題における例外的な性能を達成する。 ほとんどのDUNはオブジェクト領域(例えば画像空間)で機能するが、最近の変種では情報フローを改善するための表現空間を探索している。 しかし、これらの手法はデータ一貫性(DC)のヒューリスティックな手法に依存しており、測定による忠実さを犠牲にしている。 本稿では,学習した表現空間を操作しながら,物理測定の厳密性を維持するフレームワークであるDUNE(Deep Unrolled Networks in rEpresentation space)を紹介する。 鎖則による直流勾配の導出とベクトル・ヤコビアン積(VJP)による実装により、実測残差を表現空間に正確にバックプロパゲーションすることが可能となる。 この定式化は、反復的なプロセスを導くための訓練済みエンコーダを含む、さまざまなアーキテクチャのバックボーンをサポートする。 われわれは,単チャンネル型低磁場MRIと多チャンネル型高磁場MRIの両領域において,正確なVJPベースの勾配がより優れた再構成品質と構造的忠実性をもたらすことを実証し,MRIの高速化タスクの最先端ベースラインに対するDUNEの評価を行った。 コードはhttps://github.com/EfeIlicak/DUNE.comで公開される。

関連論文リスト

• UniV2D: Bridging Visual Restoration and Semantic Perception for Underwater Salient Object Detection [71.83097731030254]
  視覚的回復と有能な物体検出を協調的に最適化するUnified Vision-to-Detection Network (UniV2D)を提案する。 UniV2Dは、セマンティック駆動学習パラダイムを導入している。 定量評価と定性評価の両方において最先端の手法を著しく上回る。
  論文  参考訳（メタデータ） (2026-05-08T02:31:45Z)
• ResDynUNet++: A nested U-Net with residual dynamic convolution blocks for dual-spectral CT [5.812239137446292]
  本稿では,深層学習モデルに反復的手法を組み込んだDuual-spectral CT(DSCT)のハイブリッド再構成フレームワークを提案する。 知識駆動型フェーズでは、斜め投影修正法(OPMT)を用いて、投影データから基材画像の中間解を再構成する。 データ駆動フェーズでは、この中間解を洗練させるために、新しいニューラルネットワークResDynUNet++を導入する。
  論文  参考訳（メタデータ） (2025-12-18T03:52:18Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation [51.37553739930992]
  RPCANet++は、RPCAの解釈可能性と効率的なディープアーキテクチャを融合したスパースオブジェクトセグメンテーションフレームワークである。 我々のアプローチは、緩やかなRPCAモデルを背景近似モジュール(BAM)、対象抽出モジュール(OEM)、画像復元モジュール(IRM)からなる構造化ネットワークに展開する。 さまざまなデータセットの実験では、RPCANet++がさまざまなイメージングシナリオの下で最先端のパフォーマンスを達成することが示されている。
  論文  参考訳（メタデータ） (2025-08-06T08:19:37Z)
• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Physics-Driven Autoregressive State Space Models for Medical Image Reconstruction [5.208643222679356]
  本研究では,高忠実かつ効率的な画像再構成のための物理駆動自己回帰状態空間モデル(SSM)であるMambaRollを提案する。 MambaRollは、各カスケードが粗いスケールの表現でより微細な特徴マップを自動回帰予測するアンロールアーキテクチャを採用している。 MambaRoll は最新 CNN 法, Transformer- 法, SSM 法を常に上回っている。
  論文  参考訳（メタデータ） (2024-12-12T14:59:56Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)

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。