論文の概要: Quantum-Inspired and Optimization-Based CT Reconstruction Through Spin-Error

• arxiv url: http://arxiv.org/abs/2610.35657v1
• Date: Mon, 26 Oct 2026 16:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 18:04:47.069239
• Title: Quantum-Inspired and Optimization-Based CT Reconstruction Through Spin-Error
• Title（参考訳）: スピンエラーによる量子インスピレーションと最適化に基づくCT再構成
• Abstract要約: 量子最適化に基づくCT(Computerd Tomography)再構成は、再構成精度において量子超越性を証明している。 より大規模な画像は、基礎となる2次非制約バイナリ最適化モデルにおいて、ますます多くのバイナリ変数と相互作用を必要とする。
• 参考スコア（独自算出の注目度）: 3.1265821655397086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum-optimization-based computed tomography (CT) reconstruction has demonstrated quantum supremacy in reconstruction accuracy over conventional classical methods under sparse-view and corrupted-sinogram conditions. However, scaling this approach remains challenging because larger images require increasingly many binary variables and interactions in the underlying quadratic unconstrained binary optimization (QUBO) model. Even with iterative region-of-interest (ROI) refinement, a 60 by 60 ROI with three X-ray mass attenuation coefficients requires 10,800 binary variables under our encoding. As an initial step toward larger quantum CT images, we investigate simulated annealing (SA) followed by spin-error mitigation for optimisation (SEMO), without altering the CT-QUBO objective. We evaluate three 54-view ROI reconstruction instances and nine-view reconstruction with detector-row corruption, comparing SA and SEMO with selected hybrid quantum-classical solver results. For the ROI cases, SEMO reduced the numbers of incorrectly reconstructed pixels in low-budget SA outputs from 13 to 1, 38 to 0, and 54 to 15. With 20 percent detector-row corruption, three of four selected SA and SEMO pairs achieved exact reconstruction. Applying SEMO to one hybrid-solver output reduced its ROI error from 78 to 1 pixel. Improvements were instance-dependent: in one corrupted-sinogram case, QUBO energy decreased while image-domain error increased slightly; in one ROI case, the refined image retained 15 incorrect pixels despite having lower QUBO energy than ground truth. At the evaluated problem sizes, SA and SEMO attained reconstruction accuracy comparable to or better than selected unmitigated hybrid-solver results, providing an initial solution-quality benchmark for future larger-scale, parallelized quantum CT image reconstruction.
• Abstract（参考訳）: 量子最適化に基づくCT(Computerd Tomography)再構成は, スパース・ビュー条件および破損したシングラム条件下での従来の手法に比べて, 再構成精度において量子優位性を示した。 しかし、大きな画像は、基礎となる二次的非制約バイナリ最適化(QUBO)モデルにおいて、ますます多くのバイナリ変数と相互作用を必要とするため、このアプローチのスケーリングは依然として困難である。 3つのX線量減衰係数を持つ60×60ROIの反復的関心領域(ROI)改良であっても、符号化の下では10,800のバイナリ変数が必要である。 より大規模な量子CT画像への第一歩として,シミュレーションアニール (SA) とスピンエラーによる最適化 (SEMO) をCT-QUBOの目的を変更することなく検討した。 54ビューのROI再構成インスタンスと9ビューのリコンストラクションインスタンスを,SAとSEMOと選択したハイブリッド量子古典解法との比較により評価した。 ROIの場合, SEMO は低予算 SA 出力を 13 から 38 から 0 へ, 54 から 15 まで誤った再構成画素数を減らした。 20%の検出器ローの破損により、選択された4つのSAとSEMOのペアのうち3つが正確に再構築された。 SEMOを1つのハイブリッドゾルバ出力に適用することで、ROI誤差を78から1ピクセルに低減した。 画像領域の誤差はわずかに増大し,QUBOエネルギーは低下し,あるROIでは,QUBOエネルギーは地上の真理よりも低いにもかかわらず、15画素の補正画像が保持された。 評価された問題サイズにおいて、SAとSEMOは、選択された未緩和ハイブリッドゾルバ結果に匹敵する再現精度を達成し、将来の大規模並列化量子CT画像再構成のための初期解品質ベンチマークを提供する。

関連論文リスト

• Image Reconstruction from Phase with Untrained Neural Priors [0.0]
  本稿では、フーリエ位相と空間的支持制約と、画像固有のニューラルプレファレンスを併用したプロジェクションベースのフレームワークを提案する。 77個の顕微鏡画像に対する2つのニューラル・プライア実装を評価し,それらを制約のみのベースラインと比較した。 最高性能のPSNRは31.41dB、PSNRは35.75dB、SSIMは0.9531であり、PSNRは1.51dB改善され、MSEは29.3%減少している。
  論文  参考訳（メタデータ） (2026-09-25T00:55:19Z)
• Quantum Compressed Sensing CT Reconstruction Algorithm Based on Penalized Weighted Least Squares and Guided Total Variation [11.78461984187436]
  本稿では,PWLS法とGTV法を組み合わせた量子圧縮CT法を提案する。 GTVは従来の総変量より一貫して優れていた。 このフレームワークは2次形式を変えることなくQUBOベースのCT再構成にフォトン統計重み付けと構造誘導正規化を組み込む。
  論文  参考訳（メタデータ） (2026-07-12T04:48:08Z)
• High-Fidelity ROI CT Reconstruction with Limited Quantum Resources via Hybrid Classical-Quantum Refinement [3.8828314177087475]
  我々は、全画像量子再構成のためのハイブリッドな関心領域(ROI)改善フレームワークを提案する。 この戦略は、目標領域における高忠実度再構築を維持しながら、有効なQUBOサイズを低減させる。 QTR/QCSTR+QTR/QCSTRおよびSART+QTR/QCSTRは,中等度の症例に対して正確なROI再構成を実現する。
  論文  参考訳（メタデータ） (2026-05-28T07:04:45Z)
• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• 2DQuant: Low-bit Post-Training Quantization for Image Super-Resolution [83.09117439860607]
  低ビット量子化は、エッジ展開のための画像超解像(SR)モデルを圧縮するために広く普及している。 低ビット量子化は、フル精度(FP)と比較してSRモデルの精度を低下させることが知られている。 本稿では2DQuantという画像超解像のための2段階の低ビット後量子化(PTQ)法を提案する。
  論文  参考訳（メタデータ） (2024-06-10T06:06:11Z)
• Paired Conditional Generative Adversarial Network for Highly Accelerated Liver 4D MRI [8.880834588879525]
  本研究では,4次元MRI再構成時間を短縮するReconstruct Paired Generative Adrial Network (Re-Con-GAN)を提案する。 ResNet9, UNet, Restructation Swin Transformerの3種類のネットワークがジェネレータとして探索された。 Re-Con-GANはCS/UNetモデルと比較してPSNR、SSIM、RMSEのスコアを一貫して達成した。
  論文  参考訳（メタデータ） (2024-05-20T20:14:23Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Quantum annealing-based computed tomography using variational approach for a real-number image reconstruction [0.0]
  本研究は実数再構成のための変分手法を用いたQACT再構成アルゴリズムを開発した。 注目すべきは、各ピクセルの表示に2キュービットしか必要とせず、正確な再構成に十分であることを示したことである。
  論文  参考訳（メタデータ） (2023-06-03T23:35:10Z)
• Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
  Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。 本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。 LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-09-26T22:22:30Z)
• Robust 360-8PA: Redesigning The Normalized 8-point Algorithm for 360-FoV Images [53.11097060367591]
  球面投影における360-fov画像から本質行列を推定する新しい手法を提案する。 我々の正規化は、時間を大幅に上回ることなく、カメラの精度を約20%向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-04-22T07:23:11Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)

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。