論文の概要: Dual-Domain Self-Supervised Artifact Removal Framework for Photoacoustic Computed Tomography

• arxiv url: http://arxiv.org/abs/2607.16304v1
• Date: Tue, 14 Jul 2026 07:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.102968
• Title: Dual-Domain Self-Supervised Artifact Removal Framework for Photoacoustic Computed Tomography
• Title（参考訳）: 光音響CTのための2次元自己監督アーチファクト除去フレームワーク
• Abstract要約: 光音響CT (PACT) は, スパース検出条件により, 復元工芸品の深刻な問題に直面していることが多い。 本稿では,軽量なシームズニューラルネットワークとクロスドメイン忠実度と不確実性重み付き整合性を組み合わせた複合損失関数を用いた自己教師型人工物除去フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.25096094638305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photoacoustic Computed Tomography (PACT) often faces severe challenges from reconstruction artifacts due to sparse detection conditions. In this work, based on the distinct differences in artifact patterns between back-projection-based and Fourier-based reconstruction algorithms, we propose a self-supervised artifact removal framework that employs a lightweight Siamese Neural Network and a composite loss function integrating cross-domain fidelity and uncertainty-weighted consistency, effectively decoupling dual-domain features and filtering artifacts. Comprehensive validations using simulations, phantoms, in vivo rat and human experimental data demonstrate that the proposed method can significantly suppress image artifacts. Furthermore, enabled by the acceleration of the spatial-domain and frequency-domain inverse operator, this end-to-end approach also achieves exceptional computational efficiency.
• Abstract（参考訳）: 光音響CT (PACT) は, スパース検出条件により, 復元工芸品の深刻な問題に直面していることが多い。 本研究では,バックプロジェクションベースとフーリエ型再構成アルゴリズムのアーティファクトパターンの相違から,軽量なシームズニューラルネットワークとクロスドメイン忠実性と不確実性重み付き整合性を統合した複合損失関数を用いた自己教師型アーティファクト除去フレームワークを提案する。 シミュレーション,ファントム,インビボラットおよびヒト実験データを用いた総合的検証により,提案手法が画像のアーティファクトを著しく抑制できることを示す。 さらに、空間領域と周波数領域の逆演算子の加速により、このエンドツーエンドのアプローチは、例外的な計算効率も達成する。

関連論文リスト

• Self-Supervised Angular Deblurring in Photoacoustic Reconstruction via Noisier2Inverse [2.812291464467386]
  光音響トモグラフィ(PAT)は、光学コントラストと超音波分解能を組み合わせた新しい画像モダリティである。 本研究では,地中構造データを必要とすることなく,有限サイズの検出器効果に対処するNoisier2Inverseに基づく自己教師型再構成手法を提案する。 提案手法はノイズ測定を直接処理し,高画質のPAT画像を地道な方法で復元する方法を学習する。
  論文  参考訳（メタデータ） (2026-04-17T04:07:11Z)
• Combined Flicker-banding and Moire Removal for Screen-Captured Images [24.036188551666573]
  本研究は,スクリーンキャプチャ画像におけるモアレパターンとフリックバンドの同時除去に関する最初の体系的研究である。 このタスクを支援するために,モアレパターンとフリックバンド処理の両方を含む大規模データセットを構築した。 また,ISPベースのフラッカシミュレーションパイプラインを導入し,モデルトレーニングを安定化し,劣化分布を拡大する。
  論文  参考訳（メタデータ） (2026-02-02T02:53:41Z)
• Double Helix Diffusion for Cross-Domain Anomaly Image Generation [47.093354259479234]
  本稿ではDH-Diff(Double Helix Diffusion)について紹介する。DH-Diffは高忠実度異常画像と画素レベルのアノテーションマスクを同時に合成する新しいクロスドメイン生成フレームワークである。 DH-Diffは二重ヘリックスにインスパイアされたユニークなアーキテクチャを採用し、特徴分離、接続、マージのために異なるモジュールをサイクリングする。 大規模な実験により、DH-Diffは多様性と信頼性において最先端の手法を著しく上回り、下流異常検出性能は大幅に向上した。
  論文  参考訳（メタデータ） (2025-09-16T08:06:07Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• A Dual-domain Regularization Method for Ring Artifact Removal of X-ray CT [3.060824004762835]
  検出ユニットの望ましくない応答から生じる計算トモグラフィー画像のリングアーティファクトは、画像品質と診断信頼性を著しく低下させた。 本稿では,元のCT画像の整合性を保ちながら,リングアーティファクトを効果的に除去するための二重領域正規化モデルを提案する。 提案モデルでは, 検出ユニットの応答不整合補償係数を革新的に更新することにより, シングラム上の垂直ストライプアーティファクトを補正する。
  論文  参考訳（メタデータ） (2024-03-13T05:01:37Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• IntrinsicNeRF: Learning Intrinsic Neural Radiance Fields for Editable Novel View Synthesis [90.03590032170169]
  内在性ニューラルレンダリング法に内在性分解を導入した内在性ニューラルレイディアンス場(IntrinsicNeRF)を提案する。 そこで,本研究では,オブジェクト固有・ルームスケールシーンと合成・実単語データの両方を用いて,一貫した本質的な分解結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-02T22:45:11Z)
• Editing Out-of-domain GAN Inversion via Differential Activations [56.62964029959131]
  本稿では,構成分解パラダイムを用いて,ドメイン外反転問題に対処する新しいGAN事前編集フレームワークを提案する。 生成されたDiff-CAMマスクの助けを借りて、粗い再構成を直感的に元の画像と編集された画像で合成することができる。 また, 分解段階において, 粗い再構成から最終微編集画像を切り離すための, GAN 以前のデゴーストネットワークを提示する。
  論文  参考訳（メタデータ） (2022-07-17T10:34:58Z)
• DeStripe: A Self2Self Spatio-Spectral Graph Neural Network with Unfolded Hessian for Stripe Artifact Removal in Light-sheet Microscopy [40.223974943121874]
  本稿では,光シート蛍光顕微鏡(LSFM)におけるDeStripeと呼ばれるブラインドアーティファクト除去アルゴリズムを提案する。 DeStripeは、一方向のアーティファクトと前景の画像の構造的差異を利用して、潜在的に破損した係数をローカライズする。 影響された係数をグラフニューラルネットワークに入力して、標準画像空間の構造が十分に保存されていることを保証するために、ヘッセン正規化をアンロールした状態でリカバリすることができる。
  論文  参考訳（メタデータ） (2022-06-27T16:13:57Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)

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。