論文の概要: Decomposition-Guided Curvelet Thresholding for Sharp-to-Soft CT Kernel Conversion

• arxiv url: http://arxiv.org/abs/2610.07067v1
• Date: Mon, 05 Oct 2026 08:25:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.539771
• Title: Decomposition-Guided Curvelet Thresholding for Sharp-to-Soft CT Kernel Conversion
• Title（参考訳）: シャープ・ツー・ソフトCTカーネル変換のための分解誘導曲線閾値法
• Abstract要約: 本研究は,いくつかの分解技術を組み合わせたハイブリッド・デノナイジング・フレームワークを提案する。 各分解モードはソフトしきい値とハードしきい値の両方を処理し、復調モードを組み合わせて最終画像を再構築する。 VMDは、最高ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)を一貫して達成する。 提案手法は参照基準と非参照基準の両方において従来の手法を超越する。
• 参考スコア（独自算出の注目度）: 1.537026414453835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image denoising is a crucial task in image processing, focused on improving image quality by minimizing noise while maintaining essential structural elements. This study presents a hybrid denoising framework that combines several decomposition techniques, including empirical mode decomposition (EMD), variational mode decomposition (VMD), multichannel EMD (MEMD), and bidimensional EMD (BEMD), with curvelet transform thresholding. Each decomposition mode undergoes processing through both soft and hard thresholding, and the denoised modes are combined to rebuild the final image. Comprehensive evaluations of standard CT image datasets reconstructed with various kernels (B50, B46, B41, B36) reveal substantial enhancements in denoising efficacy. VMD consistently achieves the highest peak signal-to-noise ratio (PSNR) and structural similarity index (SSIM), signifying exceptional noise reduction and feature preservation. The study analyses the trade-offs between soft and hard thresholding: soft thresholding maintains intricate visual details, whilst harsh thresholding provides enhanced noise reduction. The suggested method surpasses traditional techniques in both reference and non-reference quality criteria, indicating its potential for broader application in medical imaging and future incorporation with adaptive thresholding algorithms.
• Abstract（参考訳）: 画像復調は画像処理において重要な課題であり、重要な構造要素を維持しつつノイズを最小限に抑え、画質の向上に重点を置いている。 本研究では,経験的モード分解(EMD),変分モード分解(VMD),マルチチャネルEMD(MEMD),2次元EMD(BEMD)など,複数の分解手法を組み合わせたハイブリッドデノナイジングフレームワークを提案する。 各分解モードはソフト閾値とハード閾値の両方で処理を行い、復調モードと組み合わせて最終画像の再構築を行う。 各種カーネル(B50,B46,B41,B36)で再構成した標準CT画像データセットの包括的評価により,復調効果が著しく向上した。 VMDは、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)を一貫して達成し、例外的なノイズ低減と特徴保存を示す。 本研究は,ソフトしきい値とハードしきい値とのトレードオフを解析する。ソフトしきい値が複雑な視覚的詳細を維持する一方で,厳密なしきい値によってノイズの低減が促進される。 提案手法は基準基準と非基準基準基準の両方において従来の手法を超越し,医療画像や適応しきい値アルゴリズムによる将来的な導入の可能性を示している。

関連論文リスト

• A BEMD-Based Quaternion Filtering Approach Sharp-to-Soft Kernel CT Image Conversion [1.537026414453835]
  コンピュータ断層撮影(CT)画像の品質は,再構成カーネルの選択によって大きく影響を受ける。 本研究では, 二次元経験的モード分解を利用した革新的拡張フレームワークを提案する。 この技術は、各画像をBEMDを介して固有モード関数に分解し、結合性四元数フレームワーク内で解析することで、効率的なノイズ低減と構造的整合性を実現する。
  論文  参考訳（メタデータ） (2026-10-05T08:52:03Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• An ICTM-RMSAV Framework for Bias-Field Aware Image Segmentation under Poisson and Multiplicative Noise [3.2268442113108633]
  具体的には,I-分節項と適応的全変分法(TV)正則化器から構成される。 グレーレベルインジケータから導出される空間適応重みは、異なる強度の領域間で異なる拡散を誘導する。 合成および実世界の画像における強度不均一性および多種多様なノイズタイプを用いた実験により,提案モデルが競合する手法と比較して精度とロバスト性を向上することを示した。
  論文  参考訳（メタデータ） (2025-11-12T05:14:33Z)
• GARD: Gamma-based Anatomical Restoration and Denoising for Retinal OCT [5.763765207893223]
  GARD (Gamma-based Anatomical Restoration and Denoising) は OCT 画像復調のための新しい深層学習手法である。 GARDは、スペックルの統計特性をより正確に反映するために、Denoising Diffusion Gamma Modelを使用している。 GARDはPSNR, SSIM, MSEの点から, 従来のdenoising法や最先端のディープラーニングモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-12T15:24:41Z)
• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• Denoising OCT Images Using Steered Mixture of Experts with Multi-Model Inference [0.4452997112759916]
  マルチモデル推論とオートエンコーダ(BM-SMoE-AE)を用いたブロックマッチングステアリング 本研究では,マルチモデル推論とオートエンコーダ(BM-SMoE-AE)を用いた新しいデノナイズアルゴリズム,Block-Matching Steered-Mixture of Expertsを紹介する。
  論文  参考訳（メタデータ） (2024-02-20T06:00:42Z)
• Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
  本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。 我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。 実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T08:11:27Z)
• Multi-stage image denoising with the wavelet transform [125.2251438120701]
  深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。 動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
  論文  参考訳（メタデータ） (2022-09-26T03:28:23Z)

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。