論文の概要: CG-GLORE: A Conjugate Gradient-Based Global-Local Regularization Network for Sparse-View CT Reconstruction
- arxiv url: http://arxiv.org/abs/2608.15246v1
- Date: Sat, 15 Aug 2026 14:08:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.238368
- Title: CG-GLORE: A Conjugate Gradient-Based Global-Local Regularization Network for Sparse-View CT Reconstruction
- Title（参考訳）: CG-GLORE:Sparse-View CT再構成のための共役勾配型グローバル局所正規化ネットワーク
- Abstract要約: スパースビューCT (Sparse-view Computed Tomography) はプロジェクションビューを少なくすることで放射線線量を減らすが、結果として生じる逆問題は非常に悪化する。
既存のディープリコンストラクション手法は有望な性能を達成したが、多くは1次更新や大規模な正規化ネットワークに依存している。
スパース・ビューCT再構成のための2次最適化にインスパイアされた,コンパクトなディープ・アンローリング・フレームワークである textbfCG-GLORE を提案する。
- 参考スコア（独自算出の注目度）: 3.7567584936415166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sparse-view computed tomography (CT) reduces radiation dose by acquiring fewer projection views, but the resulting inverse problem is highly ill-posed and often produces severe streak artifacts. Existing deep reconstruction methods have achieved promising performance, yet many rely on first-order updates or large regularization networks, which can be less effective in ill-conditioned settings. We propose \textbf{CG-GLORE}, a compact deep unrolling framework inspired by second-order optimization for sparse-view CT reconstruction. Each unrolled stage uses a CG-solved linear system based on a structured Hessian surrogate: it retains the physics-induced curvature of the data-fidelity term while using an identity approximation for the learned regularization term. Thus, the method is second-order-inspired rather than an exact Newton method for the full learned objective. To model image priors, we design a Global-Local Regularization Network (GLORE), which combines convolutional local feature extraction with a Long-Range Dependency Representation module based on sparse patchification and Nyström attention. This design captures anatomical details and non-local dependencies while maintaining practical complexity. Experiments on AAPM and DeepLesion under multiple sparse-view and noise settings show that CG-GLORE achieves strong quantitative performance, stable convergence, lower noise power, and improved visual fidelity compared with representative reconstruction methods.
- Abstract（参考訳）: スパースビューCT(Sparse-view Computed Tomography)は、投射ビューを減らすことで放射線線量を減らすが、結果として生じる逆問題は非常に悪化し、しばしば重度のストリークアーティファクトを生成する。
既存のディープリコンストラクション手法は有望な性能を達成しているが、多くの人は一階更新や大規模な正規化ネットワークに頼っている。
スパース・ビューCT再構成のための2次最適化にインスパイアされた,コンパクトなディープ・アンローリング・フレームワークである \textbf{CG-GLORE} を提案する。
学習された正規化項の恒等式近似を用いながら、データ忠実度項の物理誘起曲率を保持する。
したがって、この手法は、完全な学習目的のための正確なニュートン法ではなく、二階インスパイアされたものである。
画像先行をモデル化するために,局所的な特徴抽出と,スパースパッチやNyströmの注意に基づくLong-Range Dependency Representationモジュールを組み合わせたGLORE(Global-Local Regularization Network)を設計する。
この設計は、実用上の複雑さを維持しながら、解剖学的詳細と非局所的な依存関係をキャプチャする。
複数のスパースビューおよびノイズ設定下でのAAPMとDeepLesionの実験により、CG-GLOREは、代表的再構成法と比較して、強力な量的性能、安定した収束性、低騒音パワー、視覚的忠実度の向上を実現することが示された。
関連論文リスト
- L2D2-GS: Learning to Densify for Feedforward Dynamic Gaussian Scene Reconstruction [45.197986759830314]
本稿では,L2D2-GSについて述べる。L2D2-GSは1ショットレグレッションではなく,最適化と密度化の堅牢な反復的プロセスとして,一般化可能な再構築を再構築する統一的なフレームワークである。
提案手法は, 競合するベースラインよりもプリミティブを少なくしつつ, 最先端の復元忠実度と強力なゼロショット一般化を実現する。
論文 参考訳（メタデータ） (2026-06-28T12:51:17Z) - LUCID: Learned Undersampling-Adaptive Consistency-Guided Inference with Deterministic Flow Matching for Sparse-View CT Reconstruction [6.182438051513934]
スパースビューCTはプロジェクションビューを減らすことで放射線線量と走査時間を短縮する。
角のアンダーサンプリングは、復元がひどく悪化し、ストリークアーティファクト、構造的なぼやけ、細部が失われる。
スパース・ビューCTに先立って,フローマッチング生成に基づく疎結合型一貫性誘導型再構成フレームワークであるLucidを提案する。
論文 参考訳（メタデータ） (2026-06-15T04:38:30Z) - StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。
我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。
スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文 参考訳（メタデータ） (2026-03-02T11:35:05Z) - Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - HoliGS: Holistic Gaussian Splatting for Embodied View Synthesis [59.25751939710903]
本稿では,長い単眼RGBビデオのエンボディドビュー合成に対処する,変形可能なガウススプラッティングフレームワークを提案する。
提案手法は,非可逆ガウス散乱変形ネットワークを利用して大規模動的環境を正確に再構築する。
その結果、現実のシナリオにおけるEVSの実用的でスケーラブルなソリューションが浮かび上がっています。
論文 参考訳（メタデータ） (2025-06-24T03:54:40Z) - 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) - DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。
大規模な環境下では、復元の質が悪くなる場合が少なくない。
本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
論文 参考訳（メタデータ） (2024-11-19T07:51:44Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Large-scale Global Low-rank Optimization for Computational Compressed
Imaging [8.594666859332124]
本稿では,グローバルな自己相似性と高効率な大規模再構成を実現するグローバル低ランク(GLR)最適化手法を提案する。
深層学習における自己認識機構に触発されたGLRは、従来の一様選択の代わりに特徴検出によって画像パッチを抽出する。
時間・周波数・スペクトル次元におけるGLRの有効性を実験的に実証した。
論文 参考訳（メタデータ） (2023-01-08T14:12:51Z) - Residual Multiplicative Filter Networks for Multiscale Reconstruction [24.962697695403037]
我々は,学習した再構成の周波数サポートをきめ細かな制御で粗大な最適化を可能にする,新しい座標ネットワークアーキテクチャとトレーニング手法を提案する。
これらの修正によって、自然画像への粗大なフィッティングのマルチスケール最適化が実現されることを示す。
次に, 単粒子Creo-EM再構成問題に対する合成データセットのモデル評価を行った。
論文 参考訳（メタデータ） (2022-06-01T20:16:28Z)
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。