論文の概要: Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction
- arxiv url: http://arxiv.org/abs/2607.10898v1
- Date: Sun, 12 Jul 2026 19:58:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.5627
- Title: Design Choices in Splitting-Based Self-Supervised Sparse-View CT Reconstruction
- Title（参考訳）: 分割型自己監督型スパースCT画像再構成における設計選択
- Abstract要約: Sparse-view CT 再構成のパラダイムとして,自己教師型データ分割が注目されている。
分割に基づく再構築を分割戦略、前処理、推論に分解する統合フレームワークを導入する。
独立・相関ノイズ下でのLoDoPaB-CTデータのシミュレーション実験と実世界の2DeteCTデータセットの検証により,最適分割戦略が測定ノイズ構造に強く依存していることが示されている。
- 参考スコア（独自算出の注目度）: 3.4960251347719713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised data splitting has emerged as a promising paradigm for sparse-view CT reconstruction, enabling training from incomplete measurements without fully sampled ground truth. However, the influence of key design choices, including partitioning strategy, preprocessing, and inference, remains insufficiently understood. In this work, we introduce a unified framework that decomposes splitting-based reconstruction into these three components, enabling controlled comparison of existing methods and two incremental extensions: multi-partition splitting and an alternative inference strategy. Experiments on simulated LoDoPaB-CT data under independent and correlated noise, together with validation on the real-world 2DeteCT dataset, show that the optimal partitioning strategy strongly depends on the measurement noise structure. Lattice-based splitting performs favorably under independent noise, whereas angular masking is more robust under correlated noise and real measured data. Multi-partition splitting consistently improves over pure projection-wise splitting in several settings. Complementary perceptual and structural metrics, including LPIPS and HaarPSI, reveal differences between masking strategies that are less apparent from PSNR and SSIM alone. These results provide practical guidelines for designing self-supervised sparse-view CT reconstruction methods and highlight the limitations of common independence assumptions in realistic imaging environments.
- Abstract（参考訳）: 自己監督型データ分割法はスパルス・ビューCT再構成のための有望なパラダイムとして登場し, 完全サンプリングされた地中真理を伴わない不完全な測定からトレーニングを可能にする。
しかし、分割戦略、前処理、推論を含む重要な設計選択の影響は、まだ十分に理解されていない。
本研究では,分割に基づく再構成をこれら3つのコンポーネントに分解する統合フレームワークを導入し,既存のメソッドと2つのインクリメンタル拡張(マルチパーティション分割と代替推論戦略)の制御を可能にする。
独立・相関ノイズ下でのLoDoPaB-CTデータのシミュレーション実験と実世界の2DeteCTデータセットの検証により,最適分割戦略が測定ノイズ構造に強く依存していることが示されている。
格子ベースの分割は独立雑音下では良好に動作するが、角面マスキングは相関ノイズや実測データ下ではより堅牢である。
マルチパーティション分割は、いくつかの設定で純粋なプロジェクションワイド分割よりも一貫して改善される。
LPIPSやHaarPSIなどの補完的な知覚的・構造的指標は、PSNRとSSIMとでは明らかでないマスキング戦略の違いを明らかにしている。
これらの結果は,自己監督型スパースビューCT再構成法を設計するための実践的ガイドラインを提供し,現実的な撮像環境における共通独立仮定の限界を強調した。
関連論文リスト
- Physics-Driven Independent Pair Generation for Iterative Self-Supervised Low-Dose CT Denoising [16.003879627285514]
低線量CT(LDCT)はポアソン-ガウス混合ノイズを含む。
ほとんどの自己教師付き手法は一般的な画像統計に依存しており、このノイズを明示的にモデル化していない。
自己教師型LDCT復調のためのクロスドメイン繰り返しを用いた物理駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-01T12:18:28Z) - Beyond the Performance Illusion: Structure-Aware Stratified Partitioning and Curriculum Distributionally Robust Optimization for Spatially Correlated Domains [1.8595194352358455]
本研究では,空間相関データに対する統一的な評価・訓練フレームワークを提案する。
この組み合わせは、一般化を一貫して改善し、信頼性の高い校正を行い、従来のランダムスプリット評価の下で隠されたモード障害を露呈することを示す。
論文 参考訳（メタデータ） (2026-07-02T11:32:38Z) - Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT [0.0]
本稿では,隣接する一対の軸スライスから中間CTスライスを合成する深層学習システムを提案する。
このシステムは、3次元の可視化を改善しながら、自然に識別された出力を同時に生成する。
論文 参考訳（メタデータ） (2026-06-08T10:45:51Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。
SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2026-05-15T07:26:54Z) - 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) - Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。
単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。
LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
論文 参考訳（メタデータ） (2025-11-20T04:11:44Z) - Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection [0.0]
Two-Stage LKPLOは、新しいマルチステージアウトレイラ検出フレームワークである。
従来の射影的手法の制約を克服する。
挑戦的なデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-10-28T03:53:46Z) - ISCS: Parameter-Guided Channel Ordering and Grouping for Learned Image Compression [11.645256028223272]
本稿では,事前学習したlicモデルにおいて重要なチャネルを特定し,整理するためのデータセットに依存しない手法を提案する。
提案手法は,再現性を維持しつつ計算を効果的に削減し,既存の学習圧縮フレームワークを実用的かつモジュール的に拡張する。
論文 参考訳（メタデータ） (2025-09-21T00:44:15Z) - Disentangled Noisy Correspondence Learning [56.06801962154915]
クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。
DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
論文 参考訳（メタデータ） (2024-08-10T09:49:55Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z) - Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。
本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。
複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
論文 参考訳（メタデータ） (2020-03-31T22:38:09Z)
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。