論文の概要: Wavelet-Optimized Pseudo-3D Accelerated Diffusion Model for Truncated Computed Laminography

• arxiv url: http://arxiv.org/abs/2606.31318v1
• Date: Tue, 30 Jun 2026 08:24:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.138138
• Title: Wavelet-Optimized Pseudo-3D Accelerated Diffusion Model for Truncated Computed Laminography
• Title（参考訳）: ウェーブレット最適化擬似3次元加速拡散モデル
• Abstract要約: フィールド・オブ・ビュー(FOV)の制限は、必然的に投影されたデータの切り離しにつながる。 既存のディープラーニング手法は厳密なデータ一貫性の制約に欠ける2Dアーキテクチャに依存している。 CLトランケーション再構成(CL-DM)のための新しいウェーブレット最適化擬似3D加速拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 12.168086376276934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed Laminography (CL) is a key technology for the nondestructive testing of large plate-shaped objects. However, field-of-view (FOV) limitations inevitably lead to truncation of projected data, an ill-posed inverse problem that causes severe reconstruction artifacts. Existing deep learning methods typically rely on 2D architectures that lack rigorous data consistency constraints. Furthermore, they conventionally confine artifact removal strictly to the FOV, discarding potentially recoverable information outside it. To overcome these limitations, we first introduce a comprehensive CL FOV analysis, categorizing the space into data-complete, data-incomplete, and data-free regions. By extending our reconstruction target to encompass the data-incomplete region, we significantly expand the effective imaging range and enhance scanning efficiency. To achieve this, we propose a novel wavelet-optimized pseudo-3D accelerated diffusion model for CL truncation reconstruction (CL-DM). Our method utilizes a standard 2D diffusion model for slice aggregation, combined with a 3D model-based iterative reconstruction (MBIR) method to ensure strict data consistency. To mitigate inter-slice discontinuities, we introduce wavelet regularization along the z-direction, paired with a translation-invariant (TI) mechanism and a low-frequency preservation strategy. Finally, we introduce a 3D fast sampling architecture, significantly accelerating inference speed. Extensive simulations and real-world experiments demonstrate that CL-DM is superior in effectively eliminating truncation artifacts and restoring high-fidelity, continuous 3D structures.
• Abstract（参考訳）: Computed Laminography (CL) は、大きな板状物体の非破壊試験において重要な技術である。 しかし、フィールド・オブ・ビュー(FOV)の制限は、必然的に、厳密な復元アーティファクトを引き起こす不適切な逆問題である投影データの切り離しにつながる。 既存のディープラーニング手法は、厳密なデータ一貫性の制約に欠ける2Dアーキテクチャに依存している。 さらに、従来はFOVに厳密にアーティファクト除去を限定し、その外部で潜在的に回復可能な情報を破棄していた。 これらの制限を克服するために、まずCL FOV分析を導入し、空間をデータ完全、データ不完全、データ自由領域に分類する。 再構成対象をデータ不完全領域に拡張することにより,有効撮像範囲を大きく拡大し,走査効率を向上する。 そこで本研究では,CLトランケーション再構成(CL-DM)のためのウェーブレット最適化擬似3D加速拡散モデルを提案する。 本手法は,スライスアグリゲーションのための標準的な2次元拡散モデルと,厳密なデータの一貫性を確保するための3次元モデルベース反復再構成(MBIR)手法を組み合わせたものである。 本稿では,z方向に沿ったウェーブレット正則化と,変換不変性(TI)機構と低周波保存戦略を併用し,スライス不連続性を緩和する。 最後に,3次元高速サンプリングアーキテクチャを導入し,推論速度を大幅に高速化する。 大規模シミュレーションと実世界の実験により、CL-DMはトラルネーションアーティファクトを効果的に除去し、高忠実で連続した3D構造を復元する上で優れていることが示された。

関連論文リスト

• Texture-preserving implicit neural representation for Cone beam CT truncated reconstruction [11.587045623341888]
  コーンビームCT (CBCT) は, 重篤なアーティファクトを伴い, しばしばデータ切り離しに悩まされる。 既存のTruncatedCBCT再建のための深層学習法は、深刻な限界に悩まされている。 ニューラルシーン表現に基づく自己教師型3次元再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-04T11:33:21Z)
• DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction [42.4365911571903]
  本稿では,拡散前のNR最適化を向上する新しいフレームワークであるDiffNRを提案する。 コアとなるSliceFixerは、分解したスライスのアーティファクトを修正するために設計された1ステップの拡散モデルである。 実験では、DiffNRはPSNRを平均3.99dB改善し、ドメイン間でよく一般化し、効率的な最適化を維持している。
  論文  参考訳（メタデータ） (2026-04-23T10:27:54Z)
• Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
  本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。 このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。 提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
  論文  参考訳（メタデータ） (2025-08-06T16:16:58Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• Under-Sampled High-Dimensional Data Recovery via Symbiotic Multi-Prior Tensor Reconstruction [10.666965599523754]
  本研究は,データ固有の構造を利用するために,複数の先行情報を統合したテンソル再構成手法を提案する。 具体的には、再構成されたデータの低ランクな制約を強制するために学習可能な分解と、平滑化と復調のための事前訓練された畳み込みニューラルネットワークと、ブロックマッチングと3Dフィルタリング正規化を組み合わせる。 カラー画像、ハイパースペクトル画像、グレースケールビデオデータセットの実験は、極端な場合において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-04-08T12:55:18Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• R3D-AD: Reconstruction via Diffusion for 3D Anomaly Detection [12.207437451118036]
  3次元異常検出は、精密製造における局所固有の欠陥のモニタリングにおいて重要な役割を担っている。 埋め込みベースおよび再構築ベースのアプローチは、最も人気があり、成功した方法の一つである。 本稿では, 高精度な3次元異常検出のための拡散モデルにより, 異常点雲を再構成するR3D-ADを提案する。
  論文  参考訳（メタデータ） (2024-07-15T16:10:58Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)

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。