論文の概要: Endo-TSR: Temporal Spectral Modeling of Appearance and Motion for Endoscopic Reconstruction
- arxiv url: http://arxiv.org/abs/2609.32399v1
- Date: Sat, 26 Sep 2026 09:19:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 09:31:23.2119
- Title: Endo-TSR: Temporal Spectral Modeling of Appearance and Motion for Endoscopic Reconstruction
- Title（参考訳）: Endo-TSR : 鏡視下手術における外見と運動の時間スペクトルモデリング
- Abstract要約: Endo-TSRは、有界フーリエ色残基と共有時間周波数の独立翻訳残基を有する変形可能なガウススプラッティングを増強する。
EndoNeRFとStereoMISデータセットの実験は、最先端のレンダリング品質を示している。
- 参考スコア（独自算出の注目度）: 12.448299021204235
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Endoscopic scene reconstruction requires modeling tissue motion and temporal appearance while recovering fine surface detail. Deformable Gaussian models provide explicit trajectories, but their fixed colour coefficients lack a dedicated temporal representation for photometric changes. We propose Endo-TSR, which augments deformable Gaussian splatting with bounded Fourier colour residuals and independent translation residuals on shared temporal frequencies. The colour residuals capture local appearance changes, while a Matérn spectral prior regularises motion corrections. Multi-scale Laplacian supervision guides tissue-detail recovery during joint image fitting. Extensive experiments on the EndoNeRF and StereoMIS datasets demonstrate state-of-the-art rendering quality, with the highest PSNR across all evaluated sequences. Ablation studies show that temporal appearance yields the largest PSNR gain among the tested component additions, while appearance and detail supervision jointly improve rendering with fixed Gaussian counts.
- Abstract（参考訳）: 内視鏡的シーン再構成では組織の動きと時間的外観をモデル化し,表面の細部を再現する必要がある。
変形可能なガウスモデルは明示的な軌跡を提供するが、その固定色係数は光度変化のための専用の時間的表現を欠いている。
本研究では,変形可能なガウススプラッティングを時間周波数で有界フーリエ色残基と独立翻訳残基で拡張するEndo-TSRを提案する。
色残基は局所的な外観変化を捉え、マテランスペクトルは動き補正を正則化する。
マルチスケールラプラシア監督は、関節画像嵌合時の組織-深部回復をガイドする。
EndoNeRFとStereoMISデータセットの大規模な実験は、最先端のレンダリング品質を示し、すべての評価シーケンスで最もPSNRが高い。
アブレーション研究では, 時間的外観は, 試験された成分添加物の中で最大のPSNRゲインを示し, 外観とディテールの監督は, 固定されたガウス数によるレンダリングを共同的に改善することが示された。
関連論文リスト
- DrafTS: Time-Aware Decomposition with Residual Correction for Time Series Modeling [61.589415410307375]
実世界の時系列は、安定な時間パターンを持たない不規則な変動を持つ基礎となるダイナミクスを含んでいる。
既存の方法では、ノイズの観測をフィルタリングしたり抑制したりすることで、この混合に対処している。
進化的ダイナミクスを保ちながらノイズを低減することを目的とした,モデルに依存しないフレームワークであるDrafTSを提案する。
論文 参考訳（メタデータ） (2026-09-27T08:52:22Z) - Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model [20.480681036392173]
高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。
超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
論文 参考訳（メタデータ） (2025-11-18T10:14:28Z) - FCDM: A Physics-Guided Bidirectional Frequency Aware Convolution and Diffusion-Based Model for Sinogram Inpainting [14.043383277622874]
フルビューのシノグラムは高い放射線線量と長いスキャン時間を必要とする。
スパースビューCTは、この負担を軽減するが、構造的な信号損失を伴う不完全なシノグラムを生じる。
本研究では,Ninogram に適した拡散型フレームワークであるmodelnameを提案する。
論文 参考訳（メタデータ） (2024-08-26T12:31:38Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - Reti-Diff: Illumination Degradation Image Restoration with Retinex-based
Latent Diffusion Model [59.08821399652483]
照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。
これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。
我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。
Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
論文 参考訳（メタデータ） (2023-11-20T09:55:06Z) - Learning to Reconstruct Accelerated MRI Through K-space Cold Diffusion without Noise [2.7802624923496353]
ガウス雑音を伴わずにk空間における画像劣化と復元を行うk空間冷拡散モデルを提案する。
以上の結果から, この新たな劣化処理により, 高速MRIのための高品質な再構成画像が生成できることが示唆された。
論文 参考訳（メタデータ） (2023-11-16T19:34:18Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳（メタデータ） (2021-10-15T13:16:59Z)
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。