論文の概要: RFS-UNet: Decoder-Conditioned High-Resolution Skip Recalibration for Bone-Selective DRR Synthesis

• arxiv url: http://arxiv.org/abs/2609.08044v1
• Date: Mon, 07 Sep 2026 22:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 19:44:15.712158
• Title: RFS-UNet: Decoder-Conditioned High-Resolution Skip Recalibration for Bone-Selective DRR Synthesis
• Title（参考訳）: RFS-UNet:骨選択的DRR合成のためのデコーダによる高分解能スキップの校正
• Authors: Xiaoyang Li, Yixuan Liu, Yuan Chai,
• Abstract要約: デコーダ状態は、高解像度のスキップ再利用のためのエンコーダのみの自己校正以外の有用な情報を追加する。 制御されたペア射影合成における高分解能特徴の再利用に有用な条件信号としてデコーダ状態を支持する。
• 参考スコア（独自算出の注目度）: 7.916410057598534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bone-selective digitally reconstructed radiograph (DRR) synthesis depends on high-resolution encoder detail, yet static skips cannot condition reuse on the evolving decoder representation. We ask whether decoder state adds useful information beyond encoder-only self-recalibration for high-resolution skip reuse. RFS-UNet uses pooled encoder and aligned decoder statistics for bounded residual channel recalibration at the 512^2 and 256^2 skips, leaving the backbone unchanged. In the matched seed-2026 comparison isolating decoder conditioning, RFS raises validation PSNR by 0.254 dB over Self-RFS. Across three seeds, locked-test PSNR rises from 33.225+/-0.048 to 33.537+/-0.128 dB; RFS lowers MAE in 179/200 held-out CT cases and reduces mean MAE by 3.91%. It adds 0.117% parameters and 1.169% counted Conv2d operations. These results support decoder state as a useful conditioning signal for high-resolution feature reuse in controlled paired projection synthesis.
• Abstract（参考訳）: 骨選択的デジタル再構成ラジオグラフ(DRR)合成は高分解能エンコーダの細部に依存するが、静的スキップは進化するデコーダ表現では条件再利用できない。 我々は,デコーダ状態が高分解能スキップ再利用のために,エンコーダのみの自己校正以外の有用な情報を追加するかどうかを問う。 RFS-UNet は 512^2 と 256^2 のスキップにおいて、プールエンコーダとアライメントされたデコーダ統計を使い、バックボーンは変化しない。 一致したシード-2026比較分離デコーダ条件では、RDSは自己RFSよりも0.254dBの検証PSNRを上昇させる。 3つの種にわたって、ロックテストPSNRは33.225+/-0.048から33.537+/-0.128dBに上昇し、RFSは179/200のCT症例でMAEを低下させ、平均MAEを3.91%減少させる。 0.117%のパラメータと1.169%のConv2d操作が追加されている。 これらの結果は、制御されたペア射影合成における高分解能特徴の再利用に有用な条件信号としてデコーダ状態を支持する。

関連論文リスト

• Adaptive Fused Prior Transfer for Controllable Generative Image Compression [10.733481328643235]
  本稿では,制御可能な生成画像圧縮のための適応的融合優先転送を提案する。 これは、凍結した事前訓練されたAdaCodeモデルから、適応的な融合を前もって転送する制御可能な転送である。 デコーダのレイテンシを18.1%削減し、全体のパラメータをDCVICと比較して31.10万 (20.5%)削減する。
  論文  参考訳（メタデータ） (2026-05-16T05:18:50Z)
• Spectral Complex Autoencoder Pruning: A Fidelity-Guided Criterion for Extreme Structured Channel Compression [7.913101398893967]
  本稿では,個々の出力チャネルのレベルにおける機能的冗長度を測定するリコンストラクションベースの基準を提案する。 複素相互作用場を周波数領域に変換し、低容量オートエンコーダを訓練して正規化スペクトルを再構成する。 複素相互作用場のスペクトル再構成忠実度は、アグレッシブ圧縮下でのチャネルレベルの冗長性の効果的なプロキシであることがわかった。
  論文  参考訳（メタデータ） (2026-01-14T10:34:18Z)
• Neural Signal Compression using RAMAN tinyML Accelerator for BCI Applications [2.036583412151438]
  大規模な脳記録は、オフライン分析と復号のために無線で送信しなければならない膨大な量のデータを生成する。 畳み込みオートエンコーダ(CAE)を用いたニューラル信号圧縮方式を提案する。 CAEは局所場電位(LFP)を圧縮するために最大150の圧縮比を達成する RAMANはエッジコンピューティング用に設計されたエネルギー効率の良い小型MLアクセラレータである。
  論文  参考訳（メタデータ） (2025-04-09T16:09:00Z)
• Improving the Diffusability of Autoencoders [54.920783089085035]
  高品質な画像やビデオを生成するための主要なアプローチとして、潜伏拡散モデルが登場している。 我々は、現代のオートエンコーダのスペクトル分析を行い、その潜在空間における不規則な高周波成分を同定する。 我々は、この高周波成分が拡散合成プロセスの粗大な微細な性質に干渉し、生成品質を阻害する仮説を立てた。
  論文  参考訳（メタデータ） (2025-02-20T18:45:44Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• Neural Distributed Source Coding [59.630059301226474]
  相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。 提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
  論文  参考訳（メタデータ） (2021-06-05T04:50:43Z)
• Decomposition, Compression, and Synthesis (DCS)-based Video Coding: A Neural Exploration via Resolution-Adaptive Learning [30.54722074562783]
  入力映像をそれぞれの空間テクスチャフレーム(STF)に分解する。 次に,一般的なビデオコーダを用いて圧縮する。 最後に,デコードされたSTFとTMFをネイティブ入力と同じ解像度で合成し,高品質なビデオ再構成を実現する。
  論文  参考訳（メタデータ） (2020-12-01T17:23:53Z)
• Adaptive Feature Selection for End-to-End Speech Translation [87.07211937607102]
  我々は、エンコーダデコーダに基づくE2E音声翻訳(ST)のための適応的特徴選択(AFS)を提案する。 まず、ASRエンコーダを事前訓練し、AFSを適用して各符号化音声特徴の重要性をSRに動的に推定する。 我々は、L0DROPをAFSのバックボーンとみなし、時間次元と特徴次元の両方に関して、音声特徴をスパース化するように適応する。
  論文  参考訳（メタデータ） (2020-10-16T17:21:00Z)
• Learning for Video Compression with Recurrent Auto-Encoder and Recurrent Probability Model [164.7489982837475]
  本稿では、リカレントオートエンコーダ(RAE)とリカレント確率モデル(RPM)を用いたリカレントラーニングビデオ圧縮(RLVC)手法を提案する。 RAEは、ビデオフレーム間の時間的相関を利用するために、エンコーダとデコーダの両方で繰り返しセルを使用する。 提案手法は,PSNRとMS-SSIMの両方の観点から,最先端の学習ビデオ圧縮性能を実現する。
  論文  参考訳（メタデータ） (2020-06-24T08:46:33Z)

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。