Fugu-MT 論文翻訳(概要): Adaptive Diffusion Priors for Accelerated MRI Reconstruction

論文の概要: Adaptive Diffusion Priors for Accelerated MRI Reconstruction

arxiv url: http://arxiv.org/abs/2207.05876v1
Date: Tue, 12 Jul 2022 22:45:08 GMT
ステータス: 処理完了
システム内更新日: 2022-07-14 15:37:17.134397
Title: Adaptive Diffusion Priors for Accelerated MRI Reconstruction
Title（参考訳）: 加速MRIにおける適応拡散前処理
Authors: Salman UH Dar, \c{S}aban \"Ozt\"urk, Yilmaz Korkmaz, Gokberk Elmas, Muzaffer \"Ozbey, Alper G\"ung\"or, Tolga \c{C}ukur
Abstract要約: 条件付きモデルは、アンダーサンプリングされたデータを入力として、完全にサンプリングされたデータに出力としてマッピングする。非条件モデルは、領域シフトに対する信頼性を改善するために生成画像の事前を学習する。本稿では適応拡散に基づく新しいMRI再構成であるAdaDiffを提案する。
参考スコア（独自算出の注目度）: 0.2770822269241974
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep MRI reconstruction is commonly performed with conditional models that map undersampled data as input onto fully-sampled data as output. Conditional models perform de-aliasing under knowledge of the accelerated imaging operator, so they poorly generalize under domain shifts in the operator. Unconditional models are a powerful alternative that instead learn generative image priors to improve reliability against domain shifts. Recent diffusion models are particularly promising given their high representational diversity and sample quality. Nevertheless, projections through a static image prior can lead to suboptimal performance. Here we propose a novel MRI reconstruction, AdaDiff, based on an adaptive diffusion prior. To enable efficient image sampling, an adversarial mapper is introduced that enables use of large diffusion steps. A two-phase reconstruction is performed with the trained prior: a rapid-diffusion phase that produces an initial reconstruction, and an adaptation phase where the diffusion prior is updated to minimize reconstruction loss on acquired k-space data. Demonstrations on multi-contrast brain MRI clearly indicate that AdaDiff achieves superior performance to competing models in cross-domain tasks, and superior or on par performance in within-domain tasks.
Abstract（参考訳）: ディープMRI再構成は通常、アンダーサンプリングされたデータを入力として完全サンプリングされたデータに出力としてマッピングする条件付きモデルで実行される。条件付きモデルは、加速された撮像作用素の知識の下でデエイリアスを行うため、演算子の領域シフトの下では不十分な一般化を行う。非条件モデルは、ドメインシフトに対する信頼性を改善するために、生成イメージを事前に学習する強力な代替手段である。最近の拡散モデルは、その表現の多様性とサンプルの品質から特に有望である。それでも、前もって静的イメージによるプロジェクションは、最適でないパフォーマンスにつながる可能性がある。本稿では適応拡散に基づく新しいMRI再構成であるAdaDiffを提案する。効率的な画像サンプリングを実現するため、大きな拡散ステップを利用できる対向マッパーが導入された。初期再構成を生成する急速拡散相と、得られたk空間データに対する再構成損失を最小限に抑えるために拡散前を更新する適応相とを、訓練前の2相再構成を行う。マルチコントラスト脳mriのデモンストレーションは、adadiffがクロスドメインタスクの競合モデルよりも優れたパフォーマンスを達成し、ドメイン内タスクにおいて同等か同等かを示している。

関連論文リスト

pcaGAN: Improving Posterior-Sampling cGANs via Principal Component Regularization [11.393603788068777]
画像逆問題では、観測された測定値と真の画像の事前知識の両方に適合する仮説が多数存在する。本稿では, 高速かつ高精度な後サンプリング条件生成対向ネットワーク (cGAN) を提案する。
論文参考訳（メタデータ） (2024-11-01T14:09:28Z)
Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
拡散モデルは、大規模な生成画像モデルの分野を支配してきた。本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-24T14:52:38Z)
Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
論文参考訳（メタデータ） (2024-07-16T06:38:49Z)
Self-Consistent Recursive Diffusion Bridge for Medical Image Translation [6.850683267295248]
ディノイング拡散モデル (DDM) は, 対向モデルよりも訓練安定性が向上し, 医用画像翻訳において近年注目を集めている。医用画像翻訳の性能向上を目的とした自己整合反復拡散橋(SelfRDB)を提案する。マルチコントラストMRIおよびMRI-CT翻訳における包括的解析は、SelfRDBが競合する手法に対して優れた性能を提供することを示している。
論文参考訳（メタデータ） (2024-05-10T19:39:55Z)
BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文参考訳（メタデータ） (2024-03-15T11:21:34Z)
JoReS-Diff: Joint Retinex and Semantic Priors in Diffusion Model for Low-light Image Enhancement [69.6035373784027]
低照度画像強調(LLIE)は条件付き拡散モデルを用いて有望な性能を実現している。従来手法は、タスク固有の条件戦略の十分な定式化の重要性を無視するものであった。本稿では,Retinex および semantic-based pre-processing condition を付加した新しいアプローチである JoReS-Diff を提案する。
論文参考訳（メタデータ） (2023-12-20T08:05:57Z)
Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文参考訳（メタデータ） (2023-08-28T08:47:06Z)
DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
論文参考訳（メタデータ） (2023-03-15T16:14:06Z)
Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文参考訳（メタデータ） (2022-10-25T08:34:29Z)
Federated Learning of Generative Image Priors for MRI Reconstruction [5.3963856146595095]
マルチインスティカルな取り組みは、画像データのクロスサイト共有中にプライバシー上のリスクが発生するにもかかわらず、ディープMRI再構成モデルのトレーニングを容易にする。 FedGIMP (FedGIMP) を用いた新しいMRI再構成法を提案する。 FedGIMPは、2段階のアプローチを利用する: 生成MRIのクロスサイト学習と、イメージングオペレーターの主題固有の注入である。
論文参考訳（メタデータ） (2022-02-08T22:17:57Z)
Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文参考訳（メタデータ） (2021-05-15T02:01:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。