論文の概要: Training-Free Motion-Corrected 3D Brain MRI Reconstruction via Event-Guided References

• arxiv url: http://arxiv.org/abs/2611.01902v1
• Date: Sun, 01 Nov 2026 13:45:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:50:23.083834
• Title: Training-Free Motion-Corrected 3D Brain MRI Reconstruction via Event-Guided References
• Title（参考訳）: イベントガイドによる無トレーニング運動補正3次元脳MRI再構成
• Abstract要約: EventMCは、カルテシアン買収のためのトレーニング不要の方法である。 安定した間隔で再構成された参照画像を用いて、動作イベントを反復的に検出し、動きを推定する。 EventMCの単一実行は、GPUメモリの半分未満のMotionTTTよりも7.5倍高速である。
• 参考スコア（独自算出の注目度）: 10.35282871859253
• License:
• Abstract: Head motion causes artefacts in 3D brain MRI and can bias structural measurements. Model-based correction alternates between image and motion estimation, but artefacts in the reconstructed reference can reinforce motion errors. Learned priors can reduce these artefacts but require pretraining and may add test-time computation. We propose EventMC (event-guided motion correction), a training-free method for interleaved Cartesian acquisitions. It iteratively detects motion events and estimates motion using reference images reconstructed from stable intervals. It then refines the image and motion from low to high spatial frequencies. In a fair comparison in simulation (same reconstruction), EventMC's motion estimates improve mean PSNR by up to 4.0 dB over those of the learning-based MotionTTT. A single run of EventMC is up to 7.5 times faster than MotionTTT with less than half the GPU memory. On in vivo motion-corrupted scans, EventMC achieves similar mean image quality to MotionTTT without any training. Code is available at https://github.com/bayesbreeze/EventMC.
• Abstract（参考訳）: 頭部運動は3次元脳MRIのアーチファクトを生じさせ、構造測定にバイアスを与える。 モデルに基づく補正は画像と動きの推定を交互に行うが、再構成された参照の成果は動きの誤りを補強することができる。 事前学習はこれらのアーティファクトを減らすことができるが、事前トレーニングが必要であり、テスト時間計算を追加する可能性がある。 本研究では,イベントMC (イベント誘導運動補正) を提案する。 安定した間隔で再構成された参照画像を用いて、動作イベントを反復的に検出し、動きを推定する。 その後、画像と動きを低から高空間周波数に洗練する。 EventMCの動作推定値の平均PSNRは、学習ベースのMotionTTTと比較して最大4.0dB向上する。 EventMCの単一実行は、GPUメモリの半分未満のMotionTTTよりも7.5倍高速である。 生体内運動破壊スキャンでは、EventMCはトレーニングなしでMotionTTTと同等の平均画像品質を達成している。 コードはhttps://github.com/bayesbreeze/EventMCで入手できる。

関連論文リスト

• MotionDPS: Motion-Compensated 3D Brain MRI Reconstruction [39.243053176227065]
  そこで本研究では, 解剖画像, 剛体運動パラメータ, コイル感度マップを, k-spaceデータから直接推定する動き補償3次元MRIを提案する。 提案手法は,3次元複雑なスコアベース拡散モデルを物理ベースフォワードモデル内に表現型解剖画像として組み込んだものである。 シミュレーションおよびリアルタイム脳MRIデータを用いた実験により,提案手法は画像の質と動きの堅牢性を向上することを示した。
  論文  参考訳（メタデータ） (2026-05-21T07:53:06Z)
• FunRec: Reconstructing Functional 3D Scenes from Egocentric Interaction Videos [134.8812117202239]
  本稿では,エゴセントリックなRGB-Dインタラクションビデオから直接室内シーンの3次元ディジタル双対を再構成するFunRecを提案する。 本研究では,URDF/USDエクスポートのシミュレーション,手指のアベイランスマッピング,ロボットとシーンのインタラクションへの応用を実演する。
  論文  参考訳（メタデータ） (2026-04-07T09:22:12Z)
• MotionTTT: 2D Test-Time-Training Motion Estimation for 3D Motion Corrected MRI [24.048132427816704]
  高精度な動き推定のための深層学習に基づくテスト時間学習法を提案する。 本手法は, 単純な信号とニューラルネットワークモデルに対して, 動作パラメータを確実に再構成できることを示す。
  論文  参考訳（メタデータ） (2024-09-14T08:51:33Z)
• Event3DGS: Event-Based 3D Gaussian Splatting for High-Speed Robot Egomotion [54.197343533492486]
  Event3DGSは高速移動下で高忠実度3D構造と外観を再構築することができる。 複数の合成および実世界のデータセットの実験は、既存のイベントベースの高密度な3Dシーン再構築フレームワークと比較して、Event3DGSの優位性を示している。 また, 構造的精度を損なうことなく, 外観の忠実度をより高められるように, フレームベースで数回の動特性測定を再構成プロセスに組み込むことも可能である。
  論文  参考訳（メタデータ） (2024-06-05T06:06:03Z)
• Motion-Informed Deep Learning for Brain MR Image Reconstruction Framework [7.639405634241267]
  運動は臨床MRIの約30%に存在していると推定されている。 深層学習アルゴリズムは画像再構成タスクと運動補正タスクの両方に有効であることが示されている。 画像と正しい動きを同時に高速化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T02:16:35Z)
• Event-based Structure-from-Orbit [23.97673114572094]
  ロボット工学や視覚に基づくナビゲーションの応用には、静的カメラの前で円形または回転する物体の3次元認識が必要である。 静的なイベントカメラから観測された高速回転物体の3次元構造を再構成するイベントベース構造(eSf)を提案する。
  論文  参考訳（メタデータ） (2024-05-10T03:02:03Z)
• EventEgo3D: 3D Human Motion Capture from Egocentric Event Streams [59.77837807004765]
  本稿では,魚眼レンズを用いた一眼一眼レフカメラによる3次元モーションキャプチャーという新たな課題を紹介する。 イベントストリームは、時間分解能が高く、高速な人間の動作下での3次元モーションキャプチャーと、急速に変化する照明のための信頼性の高い手がかりを提供する。 我々のEE3Dは、リアルタイム3Dポーズ更新レートを140Hzでサポートしながら、既存のソリューションと比較して堅牢性と優れた3D精度を示す。
  論文  参考訳（メタデータ） (2024-04-12T17:59:47Z)
• RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
  RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。 ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。 本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-16T18:57:50Z)
• MotionBERT: A Unified Perspective on Learning Human Motion Representations [46.67364057245364]
  本研究では,大規模・異種データ資源から人の動き表現を学習することで,人間中心のビデオタスクに取り組むための統一的な視点を示す。 本研究では,ノイズのある部分的な2次元観測から基礎となる3次元運動を復元するために,モーションエンコーダを訓練する事前学習段階を提案する。 動作エンコーダをDST(Dual-stream Spatio-temporal Transformer)ニューラルネットワークで実装する。
  論文  参考訳（メタデータ） (2022-10-12T19:46:25Z)
• Motion-from-Blur: 3D Shape and Motion Estimation of Motion-blurred Objects in Videos [115.71874459429381]
  本研究では,映像から3次元の運動,3次元の形状,および高度に動きやすい物体の外観を同時推定する手法を提案する。 提案手法は, 高速移動物体の劣化と3次元再構成において, 従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-29T11:25:14Z)

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。