論文の概要: ENCORE: Efficient Noise Context-Aware Representation for Low-Dose CT Denoising
- arxiv url: http://arxiv.org/abs/2608.10343v1
- Date: Tue, 11 Aug 2026 00:57:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.855512
- Title: ENCORE: Efficient Noise Context-Aware Representation for Low-Dose CT Denoising
- Title（参考訳）: ENCORE:低線量CTにおける高能率ノイズ認識表現
- Abstract要約: 低用量CTでは深層学習に基づく denoising が広く採用されている。
従来のモデルでは非定常的かつ空間的に相関したCTノイズ特性を考慮できない。
本稿では,効率的なノイズ認識表現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）: 1.539942973115038
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While deep learning-based denoising has become widely adopted in low-dose CT, conventional models use generic architectures designed for natural images, failing to account for non-stationary and spatially correlated CT noise characteristics. To address this, we propose an Efficient Noise COntext-aware REpresentation (ENCORE) framework that explicitly leverages CT noise characteristics and anatomical features. First, we reformulate the noise synthesis procedure based on a realistic noise distribution beyond the conventional Gaussian approximation, establishing a rigorous foundation for training pair generation. Next, we extract local noise power and correlation contexts to guide the denoising process. To fully leverage the potential of noise context, we propose a FlyingConv module, which adaptively changes convolution weights for each local image region. Notably, our approach demonstrates substantial gains in both denoising quality and computational efficiency. Furthermore, manipulating the intensity of the noise context maps at inference time enables zero-shot conditional denoising, allowing for dynamic control over the output image texture. The entire pipeline is available at https://github.com/minwoo-yu/ENCORE.git
- Abstract（参考訳）: 低線量CTでは深層学習に基づく denoising が広く採用されているが、従来のモデルは自然画像用に設計された汎用アーキテクチャを使用しており、非定常的および空間的に相関したCTノイズ特性を考慮に入れていない。
そこで本稿では,CTノイズ特性と解剖学的特徴を明示的に活用する,効率的なノイズ認識表現(ENCORE)フレームワークを提案する。
まず,従来のガウス近似を超える現実的な雑音分布に基づいて雑音合成手順を再構成し,ペア生成の厳密な基礎を確立する。
次に,局所雑音パワーと相関コンテキストを抽出し,雑音発生過程を導出する。
本研究では,各局所画像領域の畳み込み重みを適応的に変化させるFlyingConvモジュールを提案する。
特に,本手法は品質と計算効率の両面で有意な向上を示した。
さらに、ノイズコンテキストマップの強度を推論時に操作することで、ゼロショットの条件記述が可能となり、出力画像テクスチャを動的に制御できる。
パイプライン全体はhttps://github.com/minwoo-yu/ENCORE.gitで公開されている。
関連論文リスト
- Real Noise Decoupling for Hyperspectral Image Denoising [14.247569090609828]
ハイパースペクトル画像(HSI)は,HSIの質を高めるための重要なステップである。
ノイズモデリング手法は、雑音分布に適合して合成HSIを生成し、デノナイジングネットワークを訓練する。
本稿では,複雑なノイズを明示的にモデル化し,暗黙的にモデル化したコンポーネントに分解する多段階ノイズ分離フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-21T12:23:07Z) - IDF: Iterative Dynamic Filtering Networks for Generalizable Image Denoising [13.724329101670106]
動的に生成したカーネルを効率よく操作することで画像のデノナイズを行う。
このアプローチは、過度なフィットを防ぎ、目に見えないノイズに対するレジリエンスを改善するのに役立つ。
単一レベルのガウスノイズで訓練されているにもかかわらず、我々のコンパクトモデルは様々なノイズタイプとレベルにまたがって優れています。
論文 参考訳（メタデータ） (2025-08-27T07:58:07Z) - Learning to Translate Noise for Robust Image Denoising [38.61470097987608]
ディープ・ラーニング・テクニックは、現実世界のノイズに分布しないような一般化性能に苦しむことが多い。
そこで,本研究では,元の雑音画像を直接デノナイズするのではなく,変換された雑音で画像をデノナイズする新しいノイズ翻訳フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-06T02:35:44Z) - Beyond Image Prior: Embedding Noise Prior into Conditional Denoising Transformer [17.430622649002427]
既存の学習ベースの推論手法は、大規模なデータセットからイメージを一般化するためにモデルを訓練するのが一般的である。
本稿では,ノイズと画像の先行部分の分離を区別することによる,難読化問題に対する新たな視点を提案する。
本稿では,1つの生雑音画像から直接先行する雑音を正確に推定する局所雑音優先推定アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-12T08:43:11Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。
我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
論文 参考訳（メタデータ） (2022-12-14T08:19:30Z) - CFNet: Conditional Filter Learning with Dynamic Noise Estimation for
Real Image Denoising [37.29552796977652]
本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。
本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。
また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
論文 参考訳（メタデータ） (2022-11-26T14:28:54Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳（メタデータ） (2022-03-24T18:11:31Z) - C2N: Practical Generative Noise Modeling for Real-World Denoising [53.96391787869974]
両例を使わずに複雑な実世界の騒音を模倣するクリーン・ツー・ノイズ画像生成フレームワーク,すなわちC2Nを導入する。
我々は,C2Nの騒音発生器を実世界の騒音特性の成分に応じて構築し,広い範囲の騒音を正確に表現する。
論文 参考訳（メタデータ） (2022-02-19T05:53:46Z) - Adaptive noise imitation for image denoising [58.21456707617451]
本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。
現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。
ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
論文 参考訳（メタデータ） (2020-11-30T02:49:36Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳（メタデータ） (2019-08-29T15:54:06Z)
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。