論文の概要: GB-SVFBP: Gaussian-Based Shift-Variant FBP neural network

• arxiv url: http://arxiv.org/abs/2607.11584v1
• Date: Mon, 13 Jul 2026 14:03:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.498101
• Title: GB-SVFBP: Gaussian-Based Shift-Variant FBP neural network
• Title（参考訳）: GB-SVFBP:ガウス型シフト可変FBPニューラルネットワーク
• Abstract要約: 本稿では,ガウス型シフトバリアントフィルタによるバックプロジェクションニューラルネットワークを提案する。 非円形円錐線CTの効率的な再構成を目的として設計されている。
• 参考スコア（独自算出の注目度）: 3.7783779508204964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a Gaussian-Based Shift-Variant filtered backprojection (FBP) neural network, which is designed for the efficient reconstruction of non-circular trajectory cone beam computed tomography. The traditional differentiable shift-variant FBP model consists of a filtering component and a backprojection process. The filtering component includes operations such as weightings, differentiations, a 2D Radon transform, and a 2D backprojection. The proposed methods build on this framework by introducing a trainable 2D Gaussian model to represent the trajectory-related part in the filtering process, achieving a substantial reduction in the number of trainable parameters. Experimental results demonstrate that the proposed model reduces the parameter count by 99%, while only sacrificing a slight amount of reconstruction quality. Furthermore, the training time for each trajectory is reduced to one-fourth of the original, significantly accelerating convergence. These enhancements demonstrate a considerable augmentation in the model's practicality and effectiveness, making it a valuable asset for real-world applications.
• Abstract（参考訳）: 本稿では,非円形円錐線CTの効率的な再構成を目的としたガウス型シフト-ヴァリアントフィルタバックプロジェクション(FBP)ニューラルネットワークを提案する。 従来の微分可能なシフト変動型FBPモデルは、フィルタリングコンポーネントと後方投影プロセスで構成されている。 フィルタリングコンポーネントは、重み付け、微分、2Dラドン変換、2Dバックプロジェクションなどの操作を含む。 提案手法は, トレーニング可能な2次元ガウスモデルを導入し, トレーニング可能なパラメータ数を大幅に削減した。 実験の結果,提案モデルでは,若干の復元品質を犠牲にしつつ,パラメータ数を99%削減できることがわかった。 さらに、各軌道の訓練時間を元の4分の1に短縮し、収束を著しく加速する。 これらの拡張は、モデルの実用性と有効性を大幅に向上させ、現実世界のアプリケーションにとって貴重な資産となった。

関連論文リスト

• Dehaze-GaussianImage: Zero-Shot Dehazing via Efficient 2D Gaussian Splatting Representation [25.472500911155347]
  Dehaze-GaussianImageは、2次元ガウススプラッティングを画像デハージング領域に導入する最初のゼロショットフレームワークである。 具体的には,大気散乱モデルをガウスパラメータ空間に埋め込んだゼロショット学習手法を提案する。 実験により, 提案手法は, 完全に教師のない方法で, 最先端(SOTA)の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2026-06-15T03:25:56Z)
• Compressibility Analysis for the differentiable shift-variant Filtered Backprojection Model [3.529949176140719]
  本稿では、微分可能なシフト変動型FBPモデルを圧縮し、最適化するための新しいアプローチを提案する。 本研究では, 冗長重量層パラメータをトレーニング可能な固有ベクトル行列, 圧縮重み, 平均ベクトルに分解する手法を開発した。
  論文  参考訳（メタデータ） (2025-01-20T16:44:37Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  本稿では, この手法の軌道最適化を改良し, 復元品質と効率の両立に焦点をあてる。 反復サンプリングに伴うかなりの計算負担を軽減するため,コストを考慮したトラジェクトリー蒸留法を提案する。 提案アルゴリズムを用いて基礎拡散モデル(FLUX)を12Bパラメータで微調整し、7種類の画像復元タスクを処理する統一的なフレームワークを作成する。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• STMR: Spiral Transformer for Hand Mesh Reconstruction [11.47314655711821]
  本稿では,トランスフォーマーアーキテクチャにスパイラルサンプリングを巧みに統合し,メッシュトポロジを利用したハンドメッシュ再構成の性能向上を実現する。 FreiHANDデータセットの実験では、STMRの最先端性能と非並列推論速度が、同様のバックボーン法と比較された。
  論文  参考訳（メタデータ） (2024-07-08T14:05:27Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• Data-Driven Filter Design in FBP: Transforming CT Reconstruction with Trainable Fourier Series [3.6508148866314163]
  本稿では,FBPフレームワーク内にCT再構成のためのトレーニング可能なフィルタを導入する。 この方法は、フーリエ級数係数を最適化してフィルタを構成することにより、ノイズ低減の限界を克服する。 本フィルタは既存のCT再構成モデルに容易に組み込めるので,幅広い応用に適応できるツールである。
  論文  参考訳（メタデータ） (2024-01-29T10:47:37Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。