この記事では、超高速電子ビームX線コンピュータトモグラフィーから得られるノイズの多いデータに対処するための2つの自己教師あり深層学習手法を検討し、従来の非学習ベースのデノイジング手法と比較しています。トモグラフィーデータの測定時間が短いため、再構築におけるアーチファクトや画像品質の低下が問題となっていました。結果として、深層学習を用いた手法は、検出器データの信号対ノイズ比を改善し、再構築された画像の一貫した向上が見られました。これにより、従来の非学習手法に対して大きな性能向上が確認されました。
arXiv cs.LG
Self-supervised denoising of raw tomography detector data for improved image reconstruction
http://arxiv.org/abs/2511.17312v1
この記事では、超高速電子ビームX線コンピュータトモグラフィーから得られるノイズの多いデータに対処するための2つの自己教師あり深層学習手法を検討し、従来の非学習ベースのデノイジング手法と比較しています。トモグラフィーデータの測定時間が短いため、再構築におけるアーチファクトや画像品質の低下が問題となっていました。結果として、深層学習を用いた手法は、検出器データの信号対ノイズ比を改善し、再構築された画像の一貫した向上が見られました。これにより、従来の非学習手法に対して大きな性能向上が確認されました。