用于开发与评价核外方法的流式体图像生成框架
计算机视觉与模式识别
2022-05-05 v2
摘要
近年来3D成像技术的进展使得对大标本的超高分辨率体图像成为可能。由此产生的数百GB规模的数据集呼唤图像处理领域新的可扩展且内存高效的方法，其中已取得一些进展。同时，这些新方法的定量评估在可用特定数据规模及生成相应真值数据两方面均很困难。在本文中，我们提出一种可用于高效生成测试（及真值）体数据、甚至可选以流式方式的算法框架。由于所提出的嵌套扫描算法速度快，其可用于按需生成测试数据。我们分析所呈算法的渐近运行时间，并在实验上将其与替代方案以及一种假设最优基线方法比较。在一个案例中，该框架应用于流行的血管图像生成软件VascuSynth，使其能高效生成大于主存的体数据，并通过生成一个万亿体素（1TB）图像予以展示。所呈框架的实现以Vascusynth修改版及用于实验评估的代码形式在线可用。此外，测试数据生成流程已集成入流行的体绘制与处理框架Voreen。
引用
@article{arxiv.2112.09809,
title = {A Streaming Volumetric Image Generation Framework for Development and Evaluation of Out-of-Core Methods},
author = {Dominik Drees and Xiaoyi Jiang},
journal= {arXiv preprint arXiv:2112.09809},
year = {2022}
}