本論文では、Imaging Inverse Problem (IIP)の一例であるCT画像再構成問題に対して、条件付き生成潜在最適化(cGLO)と呼ばれる新しい無監督手法を提案している。
cGLOは、生成モデルの一種であるGenerative Latent Optimization (GLO)フレームワークを応用したものである。
従来の監督学習ベースの手法は、固定された実験設定でのみ有効であるのに対し、cGLOは実験設定の変化に柔軟に対応できる。
また、DIPのようなデータフリーの手法と比べて、複数スライスの同時再構成や事前の無監督学習によって、より強力な構造的バイアスを導入できる。
実験では、スパース化CT画像再構成タスクにおいて、cGLOが訓練データの有無や実験条件の変化に対して頑健であり、既存手法を上回る性能を示すことを確認した。
特に、SSIM指標においてcGLOが最も優れた結果を示し、構造的整合性の高い再構成を実現できることが分かった。
今後の展開として、cGLOは非線形IIPへの適用や、再構成と分割の同時学習などのマルチタスク学習への拡張が期待される。
To Another Language
from source content
arxiv.org
Önemli Bilgiler Şuradan Elde Edildi
by Thom... : arxiv.org 05-01-2024
https://arxiv.org/pdf/2307.16670.pdfDaha Derin Sorular