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/2207.05876v3
Date: Sun, 17 Sep 2023 18:44:44 GMT
ステータス: 処理完了
システム内更新日: 2023-09-20 01:41:47.719879
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: Alper G\"ung\"or, Salman UH Dar, \c{S}aban \"Ozt\"urk, Yilmaz Korkmaz, Gokberk Elmas, Muzaffer \"Ozbey, Tolga \c{C}ukur
Abstract要約: ディープMRI再構成は、完全にサンプリングされたデータと整合したイメージを復元するために、アンサンプされた取得をデエイリアス化する条件付きモデルで一般的に行われる。非条件モデルは、画像演算子に関連する領域シフトに対する信頼性を向上させるために、演算子から切り離された生成画像の事前を学習する。本稿では,MRI 再構成に先立つ適応拡散 AdaDiff を提案する。
参考スコア（独自算出の注目度）: 0.9895793818721335
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep MRI reconstruction is commonly performed with conditional models that de-alias undersampled acquisitions to recover images consistent with fully-sampled data. Since conditional models are trained with knowledge of the imaging operator, they can show poor generalization across variable operators. Unconditional models instead learn generative image priors decoupled from the operator to improve reliability against domain shifts related to the imaging operator. Recent diffusion models are particularly promising given their high sample fidelity. Nevertheless, inference with a static image prior can perform suboptimally. Here we propose the first adaptive diffusion prior for MRI reconstruction, AdaDiff, to improve performance and reliability against domain shifts. AdaDiff leverages an efficient diffusion prior trained via adversarial mapping over large reverse diffusion steps. A two-phase reconstruction is executed following training: a rapid-diffusion phase that produces an initial reconstruction with the trained prior, and an adaptation phase that further refines the result by updating the prior to minimize data-consistency loss. Demonstrations on multi-contrast brain MRI clearly indicate that AdaDiff outperforms competing conditional and unconditional methods under domain shifts, and achieves superior or on par within-domain performance.
Abstract（参考訳）: 深部mri再構成は、完全にサンプリングされたデータと一致した画像を復元するために、取得をデサンプリングする条件付きモデルで一般的に行われる。条件付きモデルは撮像演算子の知識で訓練されるため、可変演算子間の一般化が不十分であることを示すことができる。非条件モデルは、画像演算子に関連する領域シフトに対する信頼性を改善するために、オペレータから分離された生成イメージを学習する。最近の拡散モデルはその高い試料忠実度から特に有望である。それでも、静的なイメージによる推論は、亜最適に実行できる。本稿では,mri再構成に先立つ第1回適応拡散法であるadadiffを提案し,領域シフトに対する性能と信頼性を向上させる。 adadiffは、大きな逆拡散ステップの逆写像によって訓練された効率的な拡散前処理を利用する。訓練後、2相の再構成を行う: 訓練済みのプリエントで初期復元を行う急速拡散相と、データ抵抗損失を最小限に抑えるためにプリエントを更新することにより結果をさらに洗練する適応相。マルチコントラスト脳MRIでは、AdaDiffはドメインシフトの下で競合する条件や非条件の手法より優れており、ドメイン内のパフォーマンスが優れているか同等であることを示す。

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。