論文の概要: Untrained CNN and coefficient-space regularization for joint reconstruction in photoacoustic tomography

• arxiv url: http://arxiv.org/abs/2610.23315v1
• Date: Fri, 16 Oct 2026 11:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.90206
• Title: Untrained CNN and coefficient-space regularization for joint reconstruction in photoacoustic tomography
• Title（参考訳）: 光音響トモグラフィにおける関節再建のための非拘束CNNと係数空間正規化
• Abstract要約: 光音響トモグラフィにおける初期圧力と空間変化音速の同時再構成を検討した。 未知のフィールドを有限次元ウェーブレット空間で表現する正規化データ駆動フレームワークを提案する。 その後、学習された係数空間を用いて、二乗音速係数を推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The joint reconstruction of the initial pressure and spatially varying sound speed in photoacoustic tomography from boundary measurements is considered. A regularized data-driven framework is proposed in which the unknown fields are represented in finite-dimensional wavelet spaces and fixed nonlinear features generated by an untrained convolutional neural network (CNN) are used to reconstruct the initial-pressure coefficients through Tikhonov-regularized least squares. A learned coefficient-space prior is subsequently used to infer the squared sound-speed coefficients. Numerical experiments demonstrate accurate reconstruction on held-out data and strong generalization to previously unseen phantom geometries. The frozen reconstruction map also remains stable under measurement noise not represented during training, with only minor changes in reconstruction accuracy for noise levels up to $10\%$. In comparison with the supervised trained-CNN approach considered in this work, the untrained representation yields substantially smaller reconstruction errors while requiring approximately one-sixth of the computational time. These results demonstrate that fixed random convolutional features combined with regularized coefficient-space learning provide an efficient and robust approach to joint reconstruction in photoacoustic tomography.
• Abstract（参考訳）: 光音響トモグラフィにおける境界測定による初期圧力と空間変化音速の同時再構成を検討した。 有限次元ウェーブレット空間において未知のフィールドを表現し,非トレーニング畳み込みニューラルネットワーク(CNN)によって生じる非線形特性を用いて,Tikhonov-regularized least squaresを用いて初期圧力係数を再構成する正規化データ駆動フレームワークを提案する。 その後、学習された係数空間を用いて、二乗音速係数を推定する。 数値実験により、ホールドアウトデータに対する正確な再構成と、以前は見られなかったファントム測度への強い一般化が示された。 凍結復元マップは、トレーニング中に表示されない計測ノイズの下でも安定しており、ノイズレベルが最大10\%の小さな変化しか残っていない。 この研究で考慮された教師付きトレーニング-CNNアプローチと比較して、訓練されていない表現は、計算時間の約6分の1を必要としながら、かなり小さな再構成エラーをもたらす。 これらの結果から,固定ランダム畳み込みと正規化係数空間学習を組み合わせることで,光音響トモグラフィーにおける関節再建の効率的かつ堅牢なアプローチが得られた。

関連論文リスト

• High-fidelity Three-Dimensional Flow Field Reconstruction Driven by Turbulent Fluid Dynamics [62.28345554656161]
  高忠実な3次元乱流場は、科学および工学的な分析に不可欠である。 粗いデータからの超解像再構成は、有望な代替手段となる。 既存のデータ駆動アプローチは、マルチスケールのボリューム構造を回復するのに依然として苦労している。 時間分解型3次元流れ再構成のための乱流認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:36:28Z)
• Initial condition recovery in nonlinear damped viscous photoacoustic tomography using a convolutional neural network-guided gradient-free optimization framework [0.0]
  光音響トモグラフィ(英: Photoacoustic tomography, PAT)は、バイオメディカルイメージングのための高光学コントラストと高分解能の高分解能を組み合わせたハイブリッドイメージングモダリティである。 我々は、畳み込みニューラルネットワーク(CNN)とポントリャーギンの最大原理に基づく勾配なし最適化戦略を組み合わせたハイブリッド再構築フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-10-01T03:58:47Z)
• K-space Gaussian Representation for Parallel MRI [17.6035099220156]
  K-空間ガウス表現(KGR)は、ネイティブなk-空間領域で直接形式化された最初の明示的連続表現である。 KGRは、Gabor-Gaussianプリミティブを共有空間幾何学でパラメータ化し、コイル間の相関を自然に保存するコンパクトな表現を生成する。 これらの結果は、ネイティブk空間の明示的な連続パラメータ化が、構造的低ランク再構成と連続信号モデリングを統合するための原則的枠組みを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-07-29T13:12:59Z)
• 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)
• DiffSOS: Acoustic Conditional Diffusion Model for Speed-of-Sound Reconstruction in Ultrasound Computed Tomography [2.6915545700357986]
  音響波形を直接SoSマップにマッピングする条件拡散モデルDiffSOSを提案する。 本フレームワークでは,物理波計測におけるデノナイジング過程の基盤として,特殊音響制御ネットを用いている。 我々は,我々のフレームワークの生成特性を利用して画素単位の不確実性を推定し,信頼性の尺度を提供する。
  論文  参考訳（メタデータ） (2026-02-27T23:51:16Z)
• Behind the Noise: Conformal Quantile Regression Reveals Emergent Representations [0.2445561610325265]
  本稿では,不確実性境界を校正した低品質測定を識別する機械学習手法を提案する。 共形量子レグレッションを用いて訓練された軽量でランダムに構造化されたニューラルネットワークのアンサンブルを用いて,本手法は信頼性の高い復調を行う。 実世界の地球生物化学イメージングデータに対するアプローチを検証し、自信ある解釈をサポートし、実験設計をガイドする方法を示す。
  論文  参考訳（メタデータ） (2025-05-13T02:27:12Z)
• Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction [60.95625458395291]
  計算トモグラフィー(CT)では、フォワードモデルは線形変換と、ベル=ランベルト法則に従って光の減衰に基づく指数非線形性によって構成される。 金属クラウンを用いた人間の頭蓋骨の商業的再構築と比較すると,このアプローチは金属人工物を減らすことが示されている。
  論文  参考訳（メタデータ） (2023-10-06T00:47:57Z)
• Indoor Scene Reconstruction with Fine-Grained Details Using Hybrid Representation and Normal Prior Enhancement [50.56517624931987]
  多視点RGB画像からの室内シーンの再構成は、平坦領域とテクスチャレス領域の共存により困難である。 近年の手法では、予測された表面正規化によって支援されたニューラルラジアンス場を利用してシーン形状を復元している。 本研究は, 上記の制限に対処して, 高忠実度表面を細かな詳細で再構築することを目的とする。
  論文  参考訳（メタデータ） (2023-09-14T12:05:29Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)

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。