論文の概要: CLEAR: Complex Learned Explicit Analytical Regularization for Ultra-Accelerated 4D Flow CMR Reconstruction

• arxiv url: http://arxiv.org/abs/2609.22950v1
• Date: Sat, 19 Sep 2026 11:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.609092
• Title: CLEAR: Complex Learned Explicit Analytical Regularization for Ultra-Accelerated 4D Flow CMR Reconstruction
• Title（参考訳）: CLEAR:超高速4次元流れCMR再構成のための複雑学習型明示的解析正則化
• Abstract要約: 本稿では,圧縮センシングの解釈可能性と学習モデルの柔軟性を組み合わせたCLEARを提案する。 CMRx4DFlow2026チャレンジの超加速(10時間)-(50時間)レギュレーションでは、CLEARはローカルローランク(LLR)と人気のある変動ネットワークFlowVNの圧縮性能に優れていた。
• 参考スコア（独自算出の注目度）: 2.6498598849144464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While compressed-sensing regularizers enable interpretable reconstruction of 4D Flow CMR through transparent variational objectives, their hand-crafted nature is too restrictive under high acceleration. State-of-the-art learning-based approaches mitigate this, but typically encode regularization implicitly through unrolled network modules, which limits their interpretability. To address this limitation, we propose CLEAR, designed to combine the interpretability of compressed sensing with the flexibility of learned models. To the best of our knowledge, it is the first learned regularizer for a 4D reconstruction task. In the ultra-accelerated \(10\times\)--\(50\times\) regime of the CMRx4DFlow2026 challenge, CLEAR outperforms compressed sensing locally low-rank (LLR) and the popular variational network FlowVN, while using less than 10k parameters and preserving an interpretable regularization structure.
• Abstract（参考訳）: 圧縮センシング正則化器は、透明な変動目的により4次元フローCMRの解釈可能な再構成を可能にするが、その手作り特性は高加速度下では制限的すぎる。 最先端の学習ベースのアプローチは、これを緩和するが、通常、アンロールされたネットワークモジュールを通じて正規化を暗黙的にエンコードし、解釈可能性を制限する。 この制限に対処するために,圧縮センシングの解釈可能性と学習モデルの柔軟性を組み合わせたCLEARを提案する。 我々の知る限り、4次元再構成作業のための最初の学習正則化器である。 CMRx4DFlow2026 チャレンジの超加速 \(10\times\)-\(50\times\) では、CLEAR は 10k 以下のパラメータを使用し、解釈可能な正規化構造を保ちながら、局所ローランク(LLR)と人気のある変動ネットワーク FlowVN を感知して圧縮された性能を向上する。

関連論文リスト

• WAVE: Reversing the Guidance Hierarchy for Coarse-to-Fine Guided Depth Super-Resolution [50.15623093332659]
  誘導深度超解像(GDSR)は、通常、畳み込み階層を通してRGB誘導特徴を抽出し、その微細な粗いバイアスを継承する。 本稿では,マルチレベル離散ウェーブレット変換(ML-DWT)を明示的かつ解釈可能な特徴制御機構として導入するWAVEを提案する。 WAVEはサブバンドを利用して、高周波と低周波のコンテンツを別々に処理し、そのソースに誤解を招くRGB色とテクスチャの手がかりをフィルタリングする。
  論文  参考訳（メタデータ） (2026-08-26T02:16:41Z)
• FAIR: Feature-Augmented Implicit Regularization for AI-generated Fake Image Detection [5.673956549751241]
  AI生成画像検出において、一般化は依然として重要なボトルネックである。 FAIR(Feature-Augmented Implicit Regularization)を提案する。 我々は、FAIRが精度を最大8.04%向上させ、ゼロショット転送シナリオにおける新しい最先端のロバスト性を確立することを示す。
  論文  参考訳（メタデータ） (2026-07-24T08:34:56Z)
• Reconstruction of Enhanced Causal Omnidirectional Network (RECON) [0.0]
  時間軸データから規制ネットワークを再構築するための新しい手法であるRECON(Restruction of Enhanced Causal Omnidirectional Network)を提案する。 まず、データ駆動のエッジ選択手順を導入し、真の規制エッジを維持しながら、スプリアスエッジを大幅に削減する。 第二に、単なる統計的関連やノイズアーティファクトではなく、因果関係を捉える全方位ネットワークを再構築する。
  論文  参考訳（メタデータ） (2026-07-23T21:48:43Z)
• NGram-MoSE: Efficient Remote Sensing Super-Resolution via N-Gram Context and Mixture-of-Experts [0.0]
  本稿では,効率とテクスチャの連続性を向上する軽量トランスフォーマーアーキテクチャであるNGram-MoSEを提案する。 NGram-MoSEはN-Gramコンテキストインジェクションを導入し、ウィンドウ間の局所的な一貫性を強化し、ウィンドウ境界アーティファクトを緩和する。 地理的に不整合なOODテストセットの実験では、NGram-MoSEは31.68,dBのPSNRを達成し、FLOPを(14時間)減らした。
  論文  参考訳（メタデータ） (2026-06-07T09:30:49Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• A Systematic Empirical Study of Grokking: Depth, Architecture, Activation, and Regularization [0.0]
  暗記からニューラルネットワークの一般化への遅れた遷移をグロッキングすることは、まだ理解されていない。 モジュラー加算に関する因子を系統的に分散させる制御された研究(mod 97)を提案する。 我々の中心的な発見は、グラッキングダイナミクスはアーキテクチャーによって決定されるのではなく、安定性と正規化の間の相互作用によって決定されることである。
  論文  参考訳（メタデータ） (2026-03-26T04:16:01Z)
• Spectral Manifold Regularization for Stable and Modular Routing in Deep MoE Architectures [2.538209532048867]
  エキスパートの混在(MoE)アーキテクチャは、ニューラルネットワークの効率的なスケーリングを可能にするが、専門家の崩壊に苦しむ。 構造的モジュラリティを強制するために、ルーティング多様体に幾何的制約を課すスペクトル規則化エキスパート混合(SR-MoE)を提案する。
  論文  参考訳（メタデータ） (2026-01-07T12:59:37Z)
• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• Structured Sparsity Learning for Efficient Video Super-Resolution [99.1632164448236]
  我々は、ビデオ超解像(VSR)モデルの特性に応じて、構造化スパシティ学習(SSL)と呼ばれる構造化プルーニング手法を開発する。 SSLでは,残差ブロック,リカレントネットワーク,アップサンプリングネットワークなど,VSRモデルのいくつかの重要なコンポーネントに対するプルーニングスキームを設計する。
  論文  参考訳（メタデータ） (2022-06-15T17:36:04Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)

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。