Core Concepts
深層ニューラルネットワークに基づくデータ駆動アプローチは、従来の方法よりも安定して情報を再構築できることを数学的に説明する。
Abstract
有限角度Radon変換は逆問題が不安定であることが知られている。
従来の方法では不可視情報を回復することが難しい。
データ駆動アプローチは不可視特異点を学習し、アーティファクトを軽減することができる。
数学的な説明により、訓練データセットに事前条件を課すことで一部の不可視特異点の安定した再構築が可能であることが示された。
実験ではU-netを使用して理論をテストし、数値結果が分析と一致している。
導入
有限角度Radon変換は逆問題が不安定であり、従来の方法ではアーティファクトが生じやすい。
データ駆動アプローチは不可視特異点を学習し、アーティファクトを軽減する。
可視・不可視特異点
可視特異点は容易に再構築可能だが、不可視特異点は困難。
マイクロローカル解析から可視・不可視特異点を説明。
安定な再構築
可視特異点の量的推定値を確立。
不可視特異点も含めた推定値の改善。
実験
ニューラルネットワークおよび安定性のテスト。
訓練データセットへの事前条件違反による実験結果。