論文の概要: NGPS: Structure-Preserving Self-Supervised Denoising via Neighbor-Guided Patch Sampling

• arxiv url: http://arxiv.org/abs/2606.23200v1
• Date: Mon, 22 Jun 2026 11:46:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 23:23:16.86078
• Title: NGPS: Structure-Preserving Self-Supervised Denoising via Neighbor-Guided Patch Sampling
• Title（参考訳）: NGPS:近傍誘導型パッチサンプリングによる構造保存型自己監督型デノナイジング
• Authors: Jaehyun Cho, YoungJoon Yoo,
• Abstract要約: 隣のスライス・セルフ・教師ド・デノナイジングは、ボリューム・メディカル・イメージングにとって魅力的である。 スライス間ミスアライメントは解剖学的対応を破り、隣り合うスライスを標的にするとゴーストやぼやけたマージンがしばしば生じる。 本研究では,NGPS(Neighbor-Guided Patch Smpling)を提案する。
• 参考スコア（独自算出の注目度）: 9.354789779556915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neighboring-slice self-supervised denoising is attractive for volumetric medical imaging, yet inter-slice misalignment breaks anatomical correspondence and often yields ghosting and blurred margins when adjacent slices are used naively as targets. We propose Neighbor-Guided Patch Sampling (NGPS), a lightweight framework that constructs neighboring supervision under local inter-slice misalignment without explicit registration. To avoid learning from misleading targets, prior methods commonly mask discrepant regions, but this stabilizes training at the cost of leaving a non-trivial portion of neighboring evidence unexploited, particularly around high-frequency anatomical boundaries. NGPS addresses this by decoupling structure matching from signal retrieval: for each masked location, it searches a local neighborhood for structurally similar candidate patches using a simple guide image (e.g., fast bilateral filtering), while retrieving the supervision signal directly from the raw noisy neighbor at the matched coordinates. By matching on a noise-attenuated guide while retrieving raw values from neighboring slices, NGPS constructs local pseudo targets without a learned registration module. Across the evaluated CT and synthetic-Rician MRI settings, NGPS improves fidelity and structure-sensitive metrics. Code is available at https://github.com/cv-cho/NGPS .
• Abstract（参考訳）: 隣りのスライス・セルフ・教師ド・デノナイジングは、ボリューム・メディカル・イメージングでは魅力的であるが、スライス間ミスアライメントは解剖学的対応を損なうため、隣のスライスを標的とした場合、ゴーストやぼやけたマージンがしばしば生じる。 本研究では,NGPS(Neighbor-Guided Patch Smpling)を提案する。 誤解を招く対象から学ぶのを避けるために、従来の手法は、しばしば不規則な領域を隠蔽するが、これは近隣の証拠の非自明な部分(特に高周波解剖学的境界付近)を未発見のまま残すコストで訓練を安定化させる。 NGPSは、信号検索と一致する構造を分離することでこの問題に対処する: マスクされた位置ごとに、単純なガイド画像(例えば、高速二元フィルタリング)を使用して、局所的に類似した候補パッチを探索し、マッチした座標で生ノイズの隣人から直接監視信号を取得する。 NGPSは、近隣のスライスから生の値を検索しながらノイズ減衰ガイドにマッチングすることにより、学習した登録モジュールを使わずに、ローカルな擬似ターゲットを構築する。 評価されたCTと合成リッチMRI設定全体で、NGPSは忠実度と構造に敏感なメトリクスを改善している。 コードはhttps://github.com/cv-cho/NGPSで入手できる。

関連論文リスト

• 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)
• PPEDCRF: Privacy-Preserving Enhanced Dynamic CRF for Location-Privacy Protection for Sequence Videos with Minimal Detection Degradation [7.329775099113131]
  本稿では,バックグラウンドベース検索攻撃下での位置情報プライバシリークについて検討する。 プライバシ保護型条件付きランダムフィールドフレームワークであるPEDCRFを提案する。 公共運転データセットの実験では、PPEDCRFが位置検索攻撃の成功を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2026-03-02T08:18:53Z)
• Layer-wise Noise Guided Selective Wavelet Reconstruction for Robust Medical Image Segmentation [16.82406992858576]
  我々はLNG-SWR(Layer-wise noise-Guided Selective Wavelet Reconstruction)を提案する。 トレーニング中、複数の層で小さなゼロ平均ノイズを注入し、ノイズに敏感な方向からステア表現を遠ざける前に周波数バイアスを学習する。 次に、入力/機能分岐に予め誘導した選択的ウェーブレット再構成を適用し、周波数適応を実現する。
  論文  参考訳（メタデータ） (2025-11-20T09:03:32Z)
• Robust Nearest Neighbour Retrieval Using Targeted Manifold Manipulation [0.0]
  最近傍の検索は、分類と説明可能なAIパイプラインの中心である。 特徴多様体の指定された領域に各サンプルをどの程度容易に適用できるかを評価することによって,検索を再現するTMM-NNを提案する。 TMM-NNは軽量でクエリ固有のトリガパッチを通じてこれを実装している。
  論文  参考訳（メタデータ） (2025-11-09T07:37:05Z)
• U-CAN: Unsupervised Point Cloud Denoising with Consistency-Aware Noise2Noise Matching [87.76453413654922]
  我々は、一貫性を意識したノイズ2ノイズマッチングを用いて、ポイントクラウドをデノナイズするための教師なしフレームワークであるU-CANを紹介する。 具体的には、ニューラルネットワークを利用して、ノイズとノイズのマッチング方式で、形状やシーンの各点について、多段階のノイズ伝達経路を推測する。 整合性を考慮したデノナイズパターンの学習のための,デノナイズド幾何整合性に関する新しい制約を導入する。
  論文  参考訳（メタデータ） (2025-10-29T06:20:21Z)
• Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
  本稿では,行関連や信号依存の撮像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。 提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。 本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
  論文  参考訳（メタデータ） (2023-10-11T20:48:20Z)
• Spatially Adaptive Self-Supervised Learning for Real-World Image Denoising [73.71324390085714]
  本稿では,現実の sRGB 画像復号化の問題を解決するために,新しい視点を提案する。 ノイズの多い画像における平坦領域とテクスチャ領域のそれぞれの特徴を考慮し、それらを個別に管理する。 LAN自体がBNNの出力で管理されているのに対して,我々はその要件を満たすためのローカル・アウェア・ネットワーク(LAN)を提案する。
  論文  参考訳（メタデータ） (2023-03-27T06:18:20Z)

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。