SPLIT: 非線形断層画像逆問題における自己教師あり分割学習

arXiv:2604.15651v1 Announce Type: new 概要：機械学習は断層再構築において顕著な性能を達成しましたが、監督型トレーニングにはしばしば入手不可能なペアリングされた測定値と真の画像が求められます。これは、ノイズ除去と最近では線形逆問題に主に焦点を当てた自己教師ありアプローチの動機となりました。本研究では、非線形逆問題に対処し、SPLIT（Nonlinear Tomography における自己教師あり分割学習）という、真の画像サンプルなしで非線形、不完全、ノイズを含む投影データから画像を再構築する自己教師あり機械学習フレームワークを導入します。SPLIT はクロスパーティション整合性と測定領域忠実度を強制しつつ、複数のパーティションにわたる補完情報を利用します。私達の主要な理論的結果は、軽微な条件下において、提案された自己教師あり目標は期待値でその監督型対照に等価であることを示しています。トレーニングは、参照不要な画像品質代替物が飽和した際に最適化を停止する自動停止ルールで規制されています。具体的な応用として、マルチスペクトル断層撮影における SPLIT 変種を導出しました。スパースビュー取得実験では、古典的な反復再構築と最近の自己教師ありベースラインを超えて、高い再構築品質とノイズに対する頑健性を示しました。

arXiv:2604.15651v1 Announce Type: new Abstract: Machine learning has achieved impressive performance in tomographic reconstruction, but supervised training requires paired measurements and ground-truth images that are often unavailable. This has motivated self-supervised approaches, which have primarily addressed denoising and, more recently, linear inverse problems. We address nonlinear inverse problems and introduce SPLIT (Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography), a self-supervised machine-learning framework for reconstructing images from nonlinear, incomplete, and noisy projection data without any samples of ground-truth images. SPLIT enforces cross-partition consistency and measurement-domain fidelity while exploiting complementary information across multiple partitions. Our main theoretical result shows that, under mild conditions, the proposed self-supervised objective is equivalent to its supervised counterpart in expectation. We regularize training with an automatic stopping rule that halts optimization when a no-reference image-quality surrogate saturates. As a concrete application, we derive SPLIT variants for multispectral computed tomography. Experiments on sparse-view acquisitions demonstrate high reconstruction quality and robustness to noise, surpassing classical iterative reconstruction and recent self-supervised baselines.