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
- Improving Diffusion Models for Inverse Problems Using Optimal Posterior
Covariance [54.70569748637465]
最近の拡散モデルは、ノイズのある線形逆問題に対する有望なゼロショット解を提供する。
既存のゼロショット法に対する最初の統一的解釈を提案する。
近年の手法は, 等方性ガウス近似を導出可能な後部分布に置き換えることと等価であることを示す。
論文 参考訳(メタデータ) (2024-02-03T13:35:39Z) - 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) - Solving Inverse Problems with Latent Diffusion Models via Hard Data Consistency [7.671153315762146]
画素空間におけるトレーニング拡散モデルは、データ集約的かつ計算的に要求される。
非常に低次元空間で動作する潜在拡散モデルは、これらの課題に対する解決策を提供する。
我々は,事前学習した潜在拡散モデルを用いて,一般的な逆問題を解決するアルゴリズムであるtextitReSampleを提案する。
論文 参考訳(メタデータ) (2023-07-16T18:42:01Z) - Poisson-Gaussian Holographic Phase Retrieval with Score-based Image
Prior [19.231581775644617]
本稿では,スコア関数を先行生成関数とする高速化されたWirtinger Flow (AWF) を用いた新しいアルゴリズム"AWFS"を提案する。
PRの対数様関数の勾配を計算し、リプシッツ定数を決定する。
本稿では,提案アルゴリズムの臨界点収束保証を確立する理論的解析を行う。
論文 参考訳(メタデータ) (2023-05-12T18:08:47Z) - 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) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳(メタデータ) (2023-03-10T07:42:49Z) - 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) - Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box
Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。
座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文 参考訳(メタデータ) (2020-12-21T17:29:58Z) - 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。