論文の概要: RAFT-DVC: Resolution-Aware Machine Learning-Based Digital Volume Correlation
- arxiv url: http://arxiv.org/abs/2609.01876v1
- Date: Tue, 01 Sep 2026 21:20:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:17.987729
- Title: RAFT-DVC: Resolution-Aware Machine Learning-Based Digital Volume Correlation
- Title（参考訳）: RAFT-DVC:レゾリューション・アウェア・機械学習に基づくディジタルボリューム相関
- Abstract要約: ディジタルボリューム相関(DVC)は、画像から3次元のフルフィールド計測を提供する。
機械学習モデルの内部解像度が精度と操作範囲にどのように影響するかは、まだよく分かっていない。
RAFT-DVCは再帰的な全体積変位対場変換系である。
- 参考スコア（独自算出の注目度）: 6.603558172147427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital volume correlation (DVC) provides three-dimensional full-field displacement measurements from volumetric images, but how the internal resolution of a machine-learning-based DVC model affects accuracy and operating range remains poorly understood. Here, we present RAFT-DVC, a resolution-aware family of recurrent all-pairs field transforms (RAFT)-based DVC solvers with encoder downsampling factors s = 2, 4, and 8. Using a matched design, we find that the three solvers localize displacement to approximately 0.017 feature-grid voxel, giving an empirical raw-volume error scaling of approximately 0.017s voxel. The solvers exhibit complementary operating regimes governed jointly by displacement reach and volumetric-texture compatibility. Synthetic benchmarks show that RAFT-DVC achieves errors of the same order as tuned classical DVC under fine-texture, small-to-moderate-displacement conditions and becomes competitive or advantageous under coarse-texture, large-displacement conditions. Frequency-swept tests quantify deformation spatial resolution, while tiled inference enables dense estimation on large volumes. Evaluation on confocal volumetric images acquired during indentation illustrates the importance of matching solver operating regime to deformation magnitude and image texture. Tests on micro-CT images of elastomeric foam, despite training only on particle-labeled synthetic data, provide evidence of cross-texture transfer. We also identify coordinate-order inconsistencies in three-dimensional RAFT correlation sampling and introduce a non-cubic impulse test to verify sampler geometry independently of network training. Correcting the sampler improves native-input accuracy and generalization to unseen volume dimensions. Together, these results establish RAFT-DVC as a fast, resolution-aware framework for dense DVC with characterized accuracy and operating regimes.
- Abstract（参考訳）: ディジタルボリューム相関(DVC)は、体積画像から3次元のフルフィールド変位の測定を提供するが、機械学習に基づくDVCモデルの内部分解能が精度と操作範囲にどのように影響するかは、まだよく分かっていない。
ここでは、RAFT-DVCについて述べる。RAFT-DVCは、エンコーダダウンサンプリング係数 s = 2, 4, 8 を持つ、RAFT(recurrent all-pairs field transforms)ベースのDVCソルバである。
一致した設計を用いて, 3つの解法は変位を約0.017個の特徴量ボクセルに局所化し, 実体積誤差を約0.017個のボクセルとした。
解法は、変位範囲と体積-テクスチャ整合性によって共同で管理される相補的な操作体制を示す。
合成ベンチマークにより、RAFT-DVCは、微調整された古典的DVCと同じ順序の誤差を、微調整、小修正の変位条件下で達成し、粗調整、大変位条件下では、競争力または有利となることが示された。
周波数-スワップ試験は変形空間の分解能を定量的に評価する一方、タイル付き推論は大容量での密度推定を可能にする。
インデント時に取得した共焦点体積画像の評価は, 変形の大きさや画像テクスチャに対する整合型ソルバ操作方式の重要性を示している。
粒子標識合成データのみを訓練したにもかかわらず、エラストマーフォームの微小CT画像に対する試験は、クロステクスチャ転送の証拠となる。
また、3次元RAFT相関サンプリングにおける座標次不整合を同定し、ネットワークトレーニングとは無関係にサンプリング器形状を検証するための非キュービックインパルステストを導入する。
サンプルの修正により、ネイティブインプットの精度が向上し、ボリュームの次元が不明瞭になる。
これらの結果は, RAFT-DVCを高密度DVCのための高速かつ高解像度なフレームワークとして確立し, 精度と操作条件を特徴付ける。
関連論文リスト
- Structure-Adaptive Sparse Diffusion in Voxel Space for 3D Medical Image Enhancement [10.028882244604809]
3次元3D画像強調は,CT,PET,MRIの診断において重要である。
そこで本研究では,一様サブサンプリングタイムステップのコンパクトなセット上で,サンプルをトレーニングし,サンプルをサンプル化する,スパースボクセル空間拡散フレームワークを提案する。
我々のフレームワークは、圧縮を損なわずに微細な解剖学的詳細を保存しつつ、最大10倍のトレーニングアクセラレーションを実現している。
論文 参考訳（メタデータ） (2026-04-20T03:52:49Z) - 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) - Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。
現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。
本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
論文 参考訳（メタデータ） (2025-09-11T23:12:55Z) - Deep Learning based 3D Volume Correlation for Additive Manufacturing Using High-Resolution Industrial X-ray Computed Tomography [0.0]
添加物製造(AM)の品質管理は、自動車、医療、航空宇宙などの分野における産業用途に欠かせない。
デジタルボリューム相関(DVC)は、コンピュータ支援設計(CAD)モデルと、生成されたコンポーネントのX線CT(Computerd Tomography)幾何を比較する。
本研究では,CADとXCTボリューム間のボクセル方向の変形を推定するための深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2025-07-10T13:34:33Z) - SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。
SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
論文 参考訳（メタデータ） (2025-03-27T17:46:42Z) - 3D variational autoencoder for fingerprinting microstructure volume elements [0.5892638927736115]
微細構造ボリューム要素(VE)を符号化するための3次元変分オートエンコーダ(VAE)を提案する。
配向空間の結晶対称性は、前処理ステップとして結晶の基本領域にマッピングすることで説明される。
次に、VAEは、ランダムなテクスチャを持つ均質な多結晶構造を持つVEのトレーニングセットを符号化するために使用される。
このモデルは, トレーニング分布外のテクスチャ, 粒径, アスペクト比の微構造によく応用できることを示す。
論文 参考訳（メタデータ） (2025-03-21T11:17:10Z) - CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
スパース入力によるNeRFの性能向上のための新しい手法を提案する。
まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。
次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
論文 参考訳（メタデータ） (2024-03-25T15:56:17Z) - Fully Differentiable Correlation-driven 2D/3D Registration for X-ray to CT Image Fusion [3.868072865207522]
画像ベース剛性2D/3Dレジストレーションは, 蛍光ガイド下外科手術において重要な技術である。
デュアルブランチCNN変換器エンコーダを用いた完全微分型相関型ネットワークを提案する。
組込み情報に基づく低周波特徴と高周波特徴の分解に対して相関型損失を提案する。
論文 参考訳（メタデータ） (2024-02-04T14:12:51Z) - Visual-tactile sensing for Real-time liquid Volume Estimation in
Grasping [58.50342759993186]
変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。
我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。
ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
論文 参考訳（メタデータ） (2022-02-23T13:38:31Z) - Auto-Weighted Layer Representation Based View Synthesis Distortion
Estimation for 3-D Video Coding [78.53837757673597]
本稿では,自動重み付け層表現に基づくビュー合成歪み推定モデルを提案する。
提案手法は, 精度, 効率の両面において, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2022-01-07T12:12:41Z) - Deep learning of multi-resolution X-Ray micro-CT images for multi-scale
modelling [0.0]
本研究では3次元拡張深部超解像(EDSR)畳み込みニューラルネットワークを開発し,大規模空間スケールで高分解能データを生成する。
我々は,テキスト解析,セグメンテーション動作,多相流シミュレーション(PNM)を用いてネットワークを検証した。
EDSR生成モデルは、不均一性の存在下での実験挙動を予測するための基礎LRモデルよりも精度が高い。
論文 参考訳（メタデータ） (2021-11-01T21:49:22Z)
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。