SPLIT：非線形トモグラフィにおける学習済み反転のための自己教師ありパーティショニング
arXiv cs.CV / 2026/4/20
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- この論文は、SPLITという自己教師ありの機械学習フレームワークを提案し、非線形トモグラフィにおいて、地上真値画像なしで不完全かつノイズを含む投影データから画像再構成を可能にします。
- SPLITは、複数のパーティション間での整合性（クロスパーティション一貫性）と計測（測定）ドメインの忠実性を組み合わせ、パーティション間の補完情報を活用して再構成品質を高めます。
- 著者らは、穏やかな条件のもとで、自己教師ありの学習目的が期待値において教師ありの対応する目的と同等になることを理論的に示しています。
- 学習は、参照なしの画像品質サロゲートが飽和した時点で最適化を停止する自動停止ルールにより正則化されます。
- スパースビューの取得を用いた実験では、多分光（マルチスペクトル）CTに対するSPLITのバリアントが、従来の反復的再構成や最近の自己教師あり手法よりも、再構成品質とノイズ耐性の両面で優れていることが示されています。
