Fugu-MT 論文翻訳(概要): Learning spatially varying regularisation parameters of low regularity for image reconstruction

論文の概要: Learning spatially varying regularisation parameters of low regularity for image reconstruction

arxiv url: http://arxiv.org/abs/2608.25127v1
Date: Tue, 25 Aug 2026 20:25:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-27 14:15:15.432822
Title: Learning spatially varying regularisation parameters of low regularity for image reconstruction
Title（参考訳）: 画像再構成のための低正規性の空間変化正規化パラメータの学習
Abstract要約: 本稿では,空間適応型正規化重み関数の正則性について考察する。我々の議論は、モデルベース正規化とディープニューラルネットワークを組み合わせたハイブリッド画像再構成手法の研究に動機づけられている。学習した重みは、しばしば規則性が低く、画像構造だけでなく、特定の雑音の実現にも適応できることを示した。
参考スコア（独自算出の注目度）: 1.2311209462275656
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this chapter, we review and discuss the regularity properties of spatially adaptive regularisation weight functions used in variational image reconstruction. Incorporating such weights into classical model-based regularisers, such as Total Variation (TV) and Total Generalised Variation (TGV), allows the regularisation strength to vary across the image and adapt to local image content. When appropriately estimated, these weights can thus significantly improve edge and detail preservation in the reconstructions. We review the existing theoretical literature on this topic for different regularity classes, including constant, continuous, and piecewise constant functions. Our discussion is motivated by recent work on hybrid image reconstruction methods that combine model-based regularisation with deep neural networks to learn highly adaptive regularisation weights. In particular, we discuss how the structural properties of these weights influence the reconstruction from both theoretical and practical perspectives. Through representative examples in image denoising and magnetic resonance imaging (MRI) reconstruction, we demonstrate that the learned weights are often of low regularity and can adapt not only to the image structure but also to the specific noise realisation. We conclude by highlighting several directions for future research on this topic.
Abstract（参考訳）: 本章では,空間適応型正規化重み関数の正則性特性を画像再構成に用いて検討する。このような重みを、トータル変分(TV)やトータル一般化変分(TGV)といった古典的なモデルベース正規化器に組み込むことで、画像全体にわたって正規化強度を変化させ、局所的な画像内容に適応させることができる。適切に推定すると、これらの重量は再建時のエッジとディテールの保存を著しく改善することができる。我々は、この話題に関する既存の理論文献を、定数、連続、ピースワイズ定数関数を含む様々な正則クラスについてレビューする。我々の議論は、モデルベース正規化とディープニューラルネットワークを組み合わせて高度適応正規化重みを学習するハイブリッド画像再構成手法の最近の研究に動機づけられている。特に, これらの重みの構造的特性が, 理論的, 実用的両面からの再構築にどのように影響するかを論じる。画像復調と磁気共鳴画像再構成(MRI)の代表的な例を通して、学習重量が低規則性であり、画像構造だけでなく、特定のノイズの実現にも適応できることを示した。ここでは,今後の研究の方向性について概説する。

関連論文リスト

An Adaptive, Disentangled Representation for Multidimensional MRI Reconstruction [3.3803617991341053]
多次元磁気共鳴画像(MRI)データの表現と再構成のための新しい手法を提案する。提案手法は,幾何学やコントラストなど,異なるタイプの特徴を異なる低次元の潜在空間に分解する,新しい特徴に基づく画像表現に基づく。学習表現とゼロショットの自己教師付き学習適応とサブスペースモデリングを統合するために,新しい再構成形式とアルゴリズムを開発した。
論文参考訳（メタデータ） (2025-12-31T07:02:21Z)
Feature Alignment with Equivariant Convolutions for Burst Image Super-Resolution [52.55429225242423]
本稿では,同変畳み込みに基づくアライメントを特徴とするBurst Image Super-Resolution (BISR) のための新しいフレームワークを提案する。これにより、アライメント変換は画像領域の明示的な監督を通じて学習でき、特徴領域に容易に適用できる。 BISRベンチマークの実験は、定量的メトリクスと視覚的品質の両方において、我々のアプローチの優れた性能を示している。
論文参考訳（メタデータ） (2025-03-11T11:13:10Z)
Uniform Attention Maps: Boosting Image Fidelity in Reconstruction and Editing [66.48853049746123]
構造的視点から再構築を解析し、従来の横断的注意を一様注意マップに置き換える新しいアプローチを提案する。本手法は,ノイズ予測時のテキスト条件の変化による歪みを効果的に抑制する。実験結果から,本手法は高忠実度画像再構成に優れるだけでなく,実際の画像合成や編集のシナリオにも頑健に機能することが示された。
論文参考訳（メタデータ） (2024-11-29T12:11:28Z)
Iteratively Refined Image Reconstruction with Learned Attentive Regularizers [14.93489065234423]
本稿では,ディープラーニングの力を活用した画像再構成のための正規化手法を提案する。これは一連の凸問題の最小化に対応するためである。解釈可能性、理論的保証、信頼性、パフォーマンスの両立を約束するバランスを提供します。
論文参考訳（メタデータ） (2024-07-09T07:22:48Z)
Implicit Neural Representations for Robust Joint Sparse-View CT Reconstruction [12.381526863294061]
Inlicit Neural Representations (INRs) はスパース・ビューCTの再建に有効である。本稿では,INRを用いた複数物体の同時再構成による復元品質向上手法を提案する。
論文参考訳（メタデータ） (2024-05-03T22:50:59Z)
Space-Variant Total Variation boosted by learning techniques in few-view tomographic imaging [0.0]
本稿では,未決定の線形逆問題に対する空間変動正規化モデルの開発に焦点をあてる。提案モデルの主な目的は,ディノベーションと細部・縁の保存のバランスを良くすることである。畳み込みニューラルネットワークは、トレーニングにおいて弾性損失関数を用いて、基底真理像とその勾配を近似するように設計されている。
論文参考訳（メタデータ） (2024-04-25T08:58:41Z)
SceNeRFlow: Time-Consistent Reconstruction of General Dynamic Scenes [75.9110646062442]
我々はSceNeRFlowを提案し、時間的一貫性のある方法で一般的な非剛体シーンを再構築する。提案手法は,カメラパラメータを入力として,静止カメラからのマルチビューRGBビデオと背景画像を取得する。実験により,小規模動作のみを扱う先行作業とは異なり,スタジオスケール動作の再構築が可能であることが示された。
論文参考訳（メタデータ） (2023-08-16T09:50:35Z)
fRegGAN with K-space Loss Regularization for Medical Image Translation [42.253647362909476]
GAN(Generative Adversarial Network)は、現実的な画像の生成において顕著な成功を収めている。 GANは低周波の周波数バイアスに悩まされる傾向にあり、それによって生成された画像の重要な構造が取り除かれる。本稿では,fRegGANと呼ばれる教師付きRegGANアプローチに基づく新しい周波数対応画像画像変換フレームワークを提案する。
論文参考訳（メタデータ） (2023-03-28T12:49:10Z)
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)
Equivariance Regularization for Image Reconstruction [5.025654873456756]
不完全な測定条件下での画像逆問題に対する構造適応正則化手法を提案する。この正規化スキームは、測定の物理学における同変構造を利用して、逆問題の不当な位置を緩和する。提案手法は,古典的な一階最適化アルゴリズムとともに,プラグ・アンド・プレイ方式で適用することができる。
論文参考訳（メタデータ） (2022-02-10T14:38:08Z)
Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文参考訳（メタデータ） (2020-07-21T11:48:22Z)
Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文参考訳（メタデータ） (2020-01-14T19:01:50Z)

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。