arXiv:2008.01362

Two-Stage Deep Learning for Accelerated 3D Time-of-Flight MRA without Matched Training Data

Hyungjin Chung, Eunju Cha, Leonard Sunwoo, Jong Chul Ye

제출 2020-08-04

원문 초록

Time-of-flight magnetic resonance angiography (TOF-MRA) is one of the most widely used non-contrast MR imaging methods to visualize blood vessels, but due to the 3-D volume acquisition highly accelerated acquisition is necessary. Accordingly, high quality reconstruction from undersampled TOF-MRA is an important research topic for deep learning. However, most existing deep learning works require matched reference data for supervised training, which are often difficult to obtain. By extending the recent theoretical understanding of cycleGAN from the optimal transport theory, here we propose a novel two-stage unsupervised deep learning approach, which is composed of the multi-coil reconstruction network along the coronal plane followed by a multi-planar refinement network along the axial plane. Specifically, the first network is trained in the square-root of sum of squares (SSoS) domain to achieve high quality parallel image reconstruction, whereas the second refinement network is designed to efficiently learn the characteristics of highly-activated blood flow using double-headed max-pool discriminator. Extensive experiments demonstrate that the proposed learning process without matched reference exceeds performance of state-of-the-art compressed sensing (CS)-based method and provides comparable or even better results than supervised learning approaches.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22950v1cs.CV공통 태그 Image Reconstruction, compressed sensing

CLEAR: 초가속 4D Flow CMR 재구성을 위한 복소수 학습 명시적 해석적 정규화

CLEAR: Complex Learned Explicit Analytical Regularization for Ultra-Accelerated 4D Flow CMR Reconstruction

압축 센싱(compressed sensing) 정규화 기법은 투명한 변분 목적함수(variational objective)를 통해 4D Flow CMR의 해석 가능한 재구성을 가능하게 하지만, 수작업으로 설계된 특성상 고가속(high acceleration) 조건에서는 지나치게 제한적이다. 최신 학습 기반 접근법은 이러한 문제를 완화하지만, 일반적으로 언롤링된(unrolled) 네트워크 모듈을 통해 정규화를 암묵적으로 인코딩하기 때문에 해석 가능성이 제한된다. 이러한 한계를 해결하기 위해, 우리는 압축 센싱의 해석 가능성과 학습 모델의 유연성을 결합하도록 설계된 CLEAR를 제안한다. 우리가 아는 한, 이는 4D 재구성 과제를 위한 최초의 학습된 정규화(regularizer)이다. CMRx4DFlow2026 챌린지의 10배~50배 초가속 영역에서, CLEAR는 1만 개 미만의 파라미터를 사용하면서도 해석 가능한 정규화 구조를 유지하는 동시에 압축 센싱 국소 저랭크(locally low-rank, LLR) 기법과 널리 사용되는 변분 네트워크(variational network) FlowVN을 능가하는 성능을 보인다.

arXiv:2606.17343v1cs.CV공통 태그 Image Reconstruction, compressed sensing

희소성 사전 모델과 마르코프 연쇄 몬테카를로 샘플링을 이용한 베이지안 자기 공명 영상 공동 재구성 및 불확실성 정량화

Bayesian Magnetic Resonance Joint Image Reconstruction and Uncertainty Quantification using Sparsity Prior Models and Markov Chain Monte Carlo Sampling

우리는 압축 감지 자기 공명 영상 재구성을 사용하여 불확실성 정량화를 위한 새로운 프레임워크를 제안합니다. 이 문제는 베이지안 프레임워크 내에서 선형 역문제로 공식화되며, 알 수 없는 모델 파라미터에는 사전 분포가 할당됩니다. 구체적으로, 재구성할 이미지는 주어진 기저에서 희소(sparse)하다고 가정합니다. 우리는 모든 기저에 적용 가능한 일반적인 프레임워크를 개발했으며, 예로서 (1) 총 변분(Total Variation) 사전 모델을 사용한 공간 기울기(spatial gradients)와 (2) 웨이블릿 변환에서의 이미지 희소성을 테스트합니다. 그런 다음 분할-증강(split-and-augmented) 기브스 샘플러에 기반한 마르코프 연쇄 몬테카를로(MCMC) 방법을 사용하여 알 수 없는 파라미터의 사후 분포에서 샘플링을 수행합니다. 미분 불가능한 조건부 분포는 근사(proximal) MCMC 방법을 사용하여 효율적으로 샘플링됩니다. 제안된 알고리즘은 다양한 k-공간(k-space) 서브샘플링 패턴과 비율을 사용하여 단일 코일 및 다중 코일 데이터셋에서 검증되었습니다. 결과는 이미지 재구성에 있어 각 제안된 접근 방식이 대응되는 최적화 기반 방법보다 우수한 성능을 보여줍니다. 더불어, 우리의 프레임워크는 불확실성을 효과적으로 정량화하며, 기존 심층 학습 기반 방법과 비교했을 때 추정된 불확실성 맵과 정답(ground truth) 및 재구성된 이미지를 사용하여 계산된 오차 맵 사이에 유의미한 상관관계를 보여줍니다.

arXiv:2505.13439v2cs.CV공통 태그 Image Reconstruction공식 코드 · Papers with Code

VTBench: 자기회귀 이미지 생성을 위한 시각적 토크나이저 평가

VTBench: Evaluating Visual Tokenizers for Autoregressive Image Generation

최근 자기회귀(AR) 모델은 이미지 생성에서 강력한 성능을 보여주고 있으며, 여기서 핵심적인 구성 요소는 연속적인 픽셀 입력을 이산 토큰(token) 시퀀스로 매핑하는 시각적 토크나이저(VT)입니다. VT의 품질은 AR 모델 성능의 상한선을 크게 좌우합니다. 그러나 현재의 이산 VT는 연속형 변이형 오토인코더(VAE)에 비해 성능이 크게 뒤처져, 이미지 복원 품질이 저하되고 세부 디테일과 텍스트 보존이 제대로 이루어지지 않습니다. 기존 벤치마크들은 VT의 성능만을 분리하여 평가하지 않고 엔드투엔드 생성 품질에만 초점을 맞추고 있습니다. 이러한 공백을 해소하기 위해, 우리는 세 가지 핵심 과제인 이미지 복원, 세부 디테일 보존, 텍스트 보존 전반에 걸쳐 VT를 체계적으로 평가하고 다양한 평가 시나리오를 아우르는 포괄적인 벤치마크인 VTBench를 소개합니다. 우리는 복원된 이미지의 품질을 평가하는 일련의 지표를 사용하여 최신 VT들을 체계적으로 평가합니다. 연구 결과에 따르면, 연속형 VAE는 이산 VT에 비해 특히 공간적 구조와 의미적 세부사항을 유지하는 데 있어 우수한 시각적 표현을 생성하는 것으로 나타났습니다. 반면, 이산 VT가 생성하는 저하된 표현은 종종 왜곡된 복원, 미세한 질감 손실, 텍스트 및 객체 무결성 보존 실패로 이어집니다. 나아가 우리는 GPT-4o 이미지 생성에 대한 실험을 수행하고 잠재적인 AR 특성을 논의함으로써 시각적 토큰화(tokenization)의 역할에 대한 새로운 통찰을 제공합니다. 우리는 추가 연구를 지원하기 위해 벤치마크와 코드베이스를 공개하며, 오픈소스 커뮤니티가 강력한 범용 오픈소스 VT를 개발하도록 촉구합니다.

arXiv:2505.23869v5stat.ML공통 태그 compressed sensing공식 코드 · Papers with Code

Gibbs 무작위성-압축 명제

Gibbs randomness-compression proposition

손실 압축 과정과 연관된 측정 벡터 집합에 대한 Gibbs 엔트로피를 통해 무작위성과 압축을 연결하는 명제를 제안한다. 이 연결을 구축하는 과정에서, 반복적인 압축-학습 주기에서 압축을 탐색하는 수단으로 학습 과제의 성능을 사용한다. 이는 열역학적 효율을 탐색 수단으로 사용하는 통계역학적 관점에서의 반복적 coarse-graining으로 볼 수 있다. 압축률의 매우 작은 감소와 성능 사이의 공단조(comonotonic) 관계를 통해 이 연결을 공식화한다. 기준선 모델로 세 가지 서로 다른 모델 압축 과정을 사용하여, 심층 학습의 정형적인 비전 과제에서 이 명제의 타당성을 입증한다. 다음의 단순한 것부터 복잡한 것까지의 모델 압축 접근법을 사용한다: (1) 무작위 가지치기, (2) 크기(magnitude) 가지치기, (3) 이중 방식의 압축 센싱(compressed sensing)을 활용하는 이중 tomographic 압축을 이용한 보다 복잡한 압축으로, 이는 새로운 방법으로 소개된다. 심층 학습 네트워크의 남은 가중치를 측정 벡터로 사용하여 Gibbs 엔트로피를 측정한다. 성능으로 탐색한 압축과 학습된 모델에 대한 엔트로피 측정으로부터 얻은 무작위성 사이에 본질적으로 계산 가능한 연결이 존재한다는 개념을 보여준다.

arXiv:2506.11139v3eess.IV공통 태그 Image Reconstruction공식 코드 · Papers with Code

그리드는 종종 밀집 신호 압축에서 암시적 신경 표현(Implicit Neural Representations, INRs)보다 우수합니다

Grids Often Outperform Implicit Neural Representations at Compressing Dense Signals

암시적 신경 표현(Implicit Neural Representations, INRs)은 최근 인상적인 결과를 보여주었지만, 그 기본 용량, 암시적 편향, 스케일링 동작은 여전히 잘 이해되지 않고 있습니다. 우리는 다양한 유효 대역폭을 가진 2D 및 3D 실제 및 합성 신호와 토모그래피, 초해상도, 노이즈 제거를 포함한 과적합(overfitting) 및 일반화 작업 전반에 걸쳐 다양한 INRs의 성능을 조사합니다. 모델 크기와 신호 유형 및 대역폭에 따라 성능을 계층화하여, 서로 다른 INR 및 그리드 표현이 용량을 어떻게 할당하는지를 밝혀냅니다. 밀집 신호를 다루는 많은 작업에서, 보간이 적용된 간단한 정규화된 그리드는 동일한 파라미터 수를 가진 어떤 INR보다 더 빠르게 학습되며 더 높거나 대등한 품질로 도달함을 발견했습니다. 또한, 형태 윤곽과 같은 이진 신호 적합 작업과 같이 INRs가 그리드보다 우수한 성능을 보이는 제한적인 설정도 발견했습니다. 이는 향후 INRs의 개발과 활용을 가장 유리한 응용 분야로 유도하는 데 도움이 될 것입니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.