論文の概要: Enabling self-supervised learned primal dual with Noise2Inverse

• arxiv url: http://arxiv.org/abs/2606.26991v1
• Date: Thu, 25 Jun 2026 13:07:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.289464
• Title: Enabling self-supervised learned primal dual with Noise2Inverse
• Title（参考訳）: ノイズ2逆による自己教師付き学習原始双対の生成
• Abstract要約: 本稿では,Noss2Inverse フレームワークを学習されたプリマルDual アルゴリズムに拡張した自己教師型再構成手法を提案する。 この手法はN2I-LPD (Noss2Inverse Learned Primal-Dual) と呼ばれ, 地中画像のない反復的再構成演算子の訓練を可能にする。
• 参考スコア（独自算出の注目度）: 2.32391394124633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: X-ray computed tomography reconstruction is an ill-posed inverse problem, particularly in low-dose and sparse-angle settings where measurements are noisy and incomplete. While learned reconstruction methods such as the Learned Primal-Dual algorithm achieve strong performance, they typically rely on supervised training with access to ground-truth data, which is often unavailable in practice. In this work, we propose a self-supervised reconstruction method by extending the Noise2Inverse framework to the Learned Primal-Dual algorithm. The resulting approach, called Noise2Inverse Learned Primal-Dual (N2I-LPD), enables training of a learned iterative reconstruction operator without ground-truth images by exploiting the statistical independence of noise in distinct measurements with respect to angular rotation of the CT-scan. We compare the proposed method with classical reconstruction methods, as well as neural network-based approaches such as a U-Net trained within the same N2I framework. The results demonstrate that N2I-LPD achieves improved reconstruction quality, highlighting the potential of combining learned reconstruction operators with self-supervised training strategies for practical CT imaging scenarios where ground-truth data is unavailable.
• Abstract（参考訳）: X線CT画像再構成は、特にノイズや不完全な低線量およびスパース角度の設定において、不適切な逆問題である。 Learned Primal-Dualアルゴリズムのような学習済みの再構成手法は高い性能を達成するが、一般的には教師付きトレーニングに頼っているため、実際には利用できないことが多い。 本研究では,Noss2Inverseフレームワークを学習されたプリマルDualアルゴリズムに拡張した自己教師型再構成手法を提案する。 N2I-LPD(Noss2Inverse Learned Primal-Dual)と呼ばれるこの手法は、CTスキャンの角回転に関する異なる測定値におけるノイズの統計的独立性を利用して、地中画像のない反復的再構成演算子の訓練を可能にする。 提案手法と古典的再構成手法,および同一のN2IフレームワークでトレーニングされたU-Netのようなニューラルネットワークベースのアプローチを比較した。 以上の結果から,N2I-LPDは再現性の向上を図り,学習した再構成演算子と自己教師付きトレーニング戦略を併用する可能性を示した。

関連論文リスト

• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Unsupervised Self-Prior Embedding Neural Representation for Iterative Sparse-View CT Reconstruction [8.291709892315993]
  本稿では,Sparse-view Computed Tomography (SVCT) 逆問題に対する自己優先型埋め込み型ニューラル表現(Spener)を提案する。 各イテレーションにおいて、Spenerは前のイテレーションからローカルイメージ前の機能を抽出し、ソリューション空間を制約するためにそれらを埋め込む。 複数のCTデータセットを用いた実験結果から,非教師付きSpener法はドメイン内データに対する教師付き最先端(SOTA)法に匹敵する性能を達成できた。
  論文  参考訳（メタデータ） (2025-02-08T04:36:00Z)
• 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)
• Unsupervised Low-dose CT Reconstruction with One-way Conditional Normalizing Flows [7.727981333251735]
  本稿では,CNFsをベースとした非教師付きLDCT反復再構成アルゴリズムを提案する。 双対空間において交互最適化を行う際には厳密な片方向変換を用いる。 異なるデータセットに対する実験により、提案アルゴリズムの性能は、最先端の教師なしおよび教師なしの手法を超越する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-23T03:47:29Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Convergent Data-driven Regularizations for CT Reconstruction [41.791026380947685]
  本研究では,データから線形正則化法を学習する上で,単純だが相変わらず収束するアプローチについて検討する。 このような手法が収束正則化手法となること、およびそれらが提供する再構成が訓練されたトレーニングデータよりも典型的にスムーズであることを証明する。
  論文  参考訳（メタデータ） (2022-12-14T17:34:03Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• Self-Supervised Learning for MRI Reconstruction with a Parallel Network Training Framework [24.46388892324129]
  提案手法は柔軟であり,既存のディープラーニング手法にも適用可能である。 本手法の有効性を、オープン脳MRIデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2021-09-26T06:09:56Z)
• Unsupervised Knowledge-Transfer for Learned Image Reconstruction [4.183935970343543]
  ベイジアンフレームワーク内での反復的再構築を学習するための,教師なしの知識伝達パラダイムを新たに開発する。 提案手法は,視覚だけでなく,PSNRやSSIMの量的にも再現性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-07-06T12:19:16Z)
• Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images [62.4428833931443]
  太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。 深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-29T13:29:18Z)
• Feature Purification: How Adversarial Training Performs Robust Deep Learning [66.05472746340142]
  ニューラルネットワークのトレーニングプロセス中に隠れた重みに、特定の小さな密度の混合物が蓄積されることが、敵の例の存在の原因の1つであることを示す。 この原理を説明するために、CIFAR-10データセットの両実験と、ある自然な分類タスクに対して、ランダムな勾配勾配勾配を用いた2層ニューラルネットワークをトレーニングすることを証明する理論的結果を示す。
  論文  参考訳（メタデータ） (2020-05-20T16:56:08Z)
• Unsupervised Adaptive Neural Network Regularization for Accelerated Radial Cine MRI [3.6280929178575994]
  本研究では,浅部畳み込みニューラルネットワークの非教師なし学習に基づく2次元放射状シネMRIの反復的再構成手法を提案する。 ネットワークは、再構築中の解の現在の推定値のパッチを近似するように訓練される。
  論文  参考訳（メタデータ） (2020-02-10T14:47:20Z)

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。