論文の概要: Iterative Reconstruction Based on Latent Diffusion Model for Sparse Data Reconstruction

• arxiv url: http://arxiv.org/abs/2307.12070v1
• Date: Sat, 22 Jul 2023 12:37:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 18:08:56.978928
• Title: Iterative Reconstruction Based on Latent Diffusion Model for Sparse Data Reconstruction
• Title（参考訳）: スパースデータ再構成のための潜時拡散モデルに基づく反復的再構成
• Authors: Linchao He, Hongyu Yan, Mengting Luo, Kunming Luo, Wang Wang, Wenchao Du, Hu Chen, Hongyu Yang, Yi Zhang
• Abstract要約: 先行訓練型潜時拡散モデル(LDM)を用いて反復再構成(IR)を拡張した先駆的ゼロショット法である潜時拡散反復再構成(LDIR)を提案する。 LDIRは、反復的再構成とLCMを教師なしでうまく統合する最初の方法である。 非常に少ないCTデータ再構成タスクの実験では、LDIRは他の最先端の教師なし手法よりも優れており、教師なし手法よりも優れています。
• 参考スコア（独自算出の注目度）: 20.06620756797628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing Computed tomography (CT) images from sparse measurement is a well-known ill-posed inverse problem. The Iterative Reconstruction (IR) algorithm is a solution to inverse problems. However, recent IR methods require paired data and the approximation of the inverse projection matrix. To address those problems, we present Latent Diffusion Iterative Reconstruction (LDIR), a pioneering zero-shot method that extends IR with a pre-trained Latent Diffusion Model (LDM) as a accurate and efficient data prior. By approximating the prior distribution with an unconditional latent diffusion model, LDIR is the first method to successfully integrate iterative reconstruction and LDM in an unsupervised manner. LDIR makes the reconstruction of high-resolution images more efficient. Moreover, LDIR utilizes the gradient from the data-fidelity term to guide the sampling process of the LDM, therefore, LDIR does not need the approximation of the inverse projection matrix and can solve various CT reconstruction tasks with a single model. Additionally, for enhancing the sample consistency of the reconstruction, we introduce a novel approach that uses historical gradient information to guide the gradient. Our experiments on extremely sparse CT data reconstruction tasks show that LDIR outperforms other state-of-the-art unsupervised and even exceeds supervised methods, establishing it as a leading technique in terms of both quantity and quality. Furthermore, LDIR also achieves competitive performance on nature image tasks. It is worth noting that LDIR also exhibits significantly faster execution times and lower memory consumption compared to methods with similar network settings. Our code will be publicly available.
• Abstract（参考訳）: スパース計測によるCT画像の再構成は、よく知られた不適切な逆問題である。 反復再構成(IR)アルゴリズムは逆問題に対する解法である。 しかし、最近のir法は対データと逆射影行列の近似を必要とする。 これらの問題に対処するために、我々は、事前訓練された遅延拡散モデル(LDM)を用いてIRを拡張する先駆的なゼロショット法であるLatent Diffusion Iterative Reconstruction (LDIR)を提案する。 非条件潜在拡散モデルで事前分布を近似することにより、LDIRは、反復的再構成とLCMを教師なし方法でうまく統合する最初の方法である。 LDIRは高解像度画像の再構成をより効率的にする。 さらに、LDIRはデータ忠実度項からの勾配を利用してLCMのサンプリングプロセスを導くので、LDIRは逆投影行列の近似を必要とせず、単一のモデルで様々なCT再構成タスクを解くことができる。 さらに,復元のサンプル一貫性を高めるために,過去の勾配情報を用いて勾配を導く新しい手法を提案する。 極めて少ないCTデータ再構成タスクの実験では、LDIRは他の最先端の教師なし手法よりも優れており、教師付き手法よりも優れており、量と品質の両面で指導的手法として確立されている。 さらに、LDIRは自然画像タスクの競合性能も達成している。 LDIRは、同様のネットワーク設定の手法に比べて、実行時間とメモリ消費が大幅に高速であることも注目に値する。 私たちのコードは公開されます。

関連論文リスト

• Diffusion State-Guided Projected Gradient for Inverse Problems [82.24625224110099]
  逆問題に対する拡散状態ガイド型射影勾配(DiffStateGrad)を提案する。 DiffStateGrad は拡散過程の中間状態の低ランク近似である部分空間に測定勾配を投影する。 DiffStateGradは、測定手順のステップサイズとノイズの選択によって拡散モデルのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-10-04T14:26:54Z)
• Gaussian is All You Need: A Unified Framework for Solving Inverse Problems via Diffusion Posterior Sampling [16.683393726483978]
  拡散モデルは、複雑なデータ分布をモデル化することによって、様々な高品質な画像を生成することができる。 既存の拡散法の多くは拡散逆サンプリングプロセスにデータ一貫性ステップを統合する。 既存の近似は不十分か計算的に非効率であることを示す。
  論文  参考訳（メタデータ） (2024-09-13T15:20:03Z)
• Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing [84.97865583302244]
  本稿では,新しいノイズアニーリングプロセスに依存するDAPS (Decoupled Annealing Posterior Sampling) 法を提案する。 DAPSは、複数の画像復元タスクにおけるサンプル品質と安定性を著しく改善する。 例えば、フェーズ検索のためのFFHQ 256データセット上で、PSNRが30.72dBである場合、既存の手法と比較して9.12dBの改善となる。
  論文  参考訳（メタデータ） (2024-07-01T17:59:23Z)
• Deep Data Consistency: a Fast and Robust Diffusion Model-based Solver for Inverse Problems [0.0]
  本研究では,拡散モデルを用いた逆問題解法において,データ一貫性ステップをディープラーニングモデルで更新するディープデータ一貫性(DDC)を提案する。 線形および非線形タスクにおける最先端手法と比較して、DDCは類似度と実性の両方の指標の優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-17T12:54:43Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Score-based diffusion models for accelerated MRI [35.3148116010546]
  本研究では,画像中の逆問題を容易に解けるような条件分布からデータをサンプリングする方法を提案する。 我々のモデルは、訓練のためにのみ等級画像を必要とするが、複雑な値のデータを再構成することができ、さらに並列画像まで拡張できる。
  論文  参考訳（メタデータ） (2021-10-08T08:42:03Z)
• Learning regularization and intensity-gradient-based fidelity for single image super resolution [0.0]
  画像劣化の進行について検討し、強度と勾配空間の両方で劣化モデルを確立する。 復元には包括的データ一貫性制約が設定される。 提案した忠実度項と設計された正規化項は正規化フレームワークに組み込まれる。
  論文  参考訳（メタデータ） (2020-03-24T07:03:18Z)

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。