論文の概要: Single PW takes a shortcut to compound PW in US imaging
- arxiv url: http://arxiv.org/abs/2312.09514v1
- Date: Fri, 15 Dec 2023 03:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 17:12:14.584291
- Title: Single PW takes a shortcut to compound PW in US imaging
- Title（参考訳）: シングルPWは、USイメージングでPWを合成するためにショートカットを取る
- Authors: Zhiqiang Li, Hengrong Lan, Lijie Huang, Qiong He, Jianwen Luo
- Abstract要約: 本研究では、単平面波(PW)から再構成した米国画像とPWCを合成したPWとの類似性を生かした。
高度な拡散モデルを用いることで、米国の画像再構成におけるその効果を実証し、サンプリングステップの大幅な削減を実現した。
- 参考スコア（独自算出の注目度）: 4.7244137909661275
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstruction of ultrasound (US) images from radio-frequency data can be
conceptualized as a linear inverse problem. Traditional deep learning
approaches, which aim to improve the quality of US images by directly learning
priors, often encounter challenges in generalization. Recently, diffusion-based
generative models have received significant attention within the research
community due to their robust performance in image reconstruction tasks.
However, a limitation of these models is their inherent low speed in generating
image samples from pure Gaussian noise progressively. In this study, we exploit
the inherent similarity between the US images reconstructed from a single plane
wave (PW) and PW compounding PWC). We hypothesize that a single PW can take a
shortcut to reach the diffusion trajectory of PWC, removing the need to begin
with Gaussian noise. By employing an advanced diffusion model, we demonstrate
its effectiveness in US image reconstruction, achieving a substantial reduction
in sampling steps. In-vivo experimental results indicate that our approach can
reduce sampling steps by 60%, while preserving comparable performance metrics
with the conventional diffusion model.
- Abstract（参考訳）: 超音波(US)画像の高周波データからの再構成は線形逆問題として概念化できる。
先行学習を直接学習することで、米国の画像の品質向上を目指す従来のディープラーニングアプローチは、一般化の課題に直面することが多い。
近年,画像再構成におけるロバストな性能から,拡散型生成モデルが研究コミュニティで注目されている。
しかし、これらのモデルの制限は、純粋なガウス雑音から画像サンプルを生成する際の固有の低速度である。
本研究では,単平面波(PW)から再構成した米国画像とPW合成PWCとの類似性を利用した。
我々は、1つのpwがpwcの拡散軌道に到達する近道を取ることができると仮定し、ガウス雑音から始める必要性を取り除いた。
高度な拡散モデルを用いることで,米国の画像再構成におけるその効果を実証し,サンプリングステップの大幅な削減を実現する。
in-vivo実験の結果,従来の拡散モデルと同等の性能指標を維持しつつ,サンプリングステップを60%削減できることがわかった。
関連論文リスト
- Frequency-Guided Posterior Sampling for Diffusion-Based Image Restoration [32.50204554102937]
本稿では,既存の拡散型修復法に対する簡単な修正を提案する。
本手法では,周波数領域における時間変化の少ない低域通過フィルタを提案する。
本稿では,その基礎となるデータ分布に基づいて,この周波数スケジュールの適応カリキュラムを開発する。
論文 参考訳（メタデータ） (2024-11-22T18:31:02Z) - Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。
提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。
提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
論文 参考訳（メタデータ） (2024-03-12T05:06:07Z) - Resfusion: Denoising Diffusion Probabilistic Models for Image Restoration Based on Prior Residual Noise [34.65659277870287]
微分拡散モデルの研究は、画像復元の分野への応用を拡大した。
本稿では,残余項を拡散前進過程に組み込むフレームワークであるResfusionを提案する。
Resfusionは, ISTDデータセット, LOLデータセット, Raindropデータセットに対して, わずか5つのサンプリングステップで競合性能を示すことを示す。
論文 参考訳（メタデータ） (2023-11-25T02:09:38Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳（メタデータ） (2023-07-15T04:48:35Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - WaveDM: Wavelet-Based Diffusion Models for Image Restoration [43.254438752311714]
Wavelet-based Diffusion Model (WaveDM) は、ウェーブレット変換後の劣化画像のウェーブレットスペクトルに条件付きウェーブレット領域におけるクリーン画像の分布を学習する。
WaveDMは、従来のワンパス手法に匹敵する効率で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-05-23T08:41:04Z) - A Variational Perspective on Solving Inverse Problems with Diffusion
Models [101.831766524264]
逆タスクは、データ上の後続分布を推測するものとして定式化することができる。
しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。
そこで我々は,真の後続分布を近似する設計手法を提案する。
論文 参考訳（メタデータ） (2023-05-07T23:00:47Z) - Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。
本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。
提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
論文 参考訳（メタデータ） (2023-02-08T19:38:59Z) - Come-Closer-Diffuse-Faster: Accelerating Conditional Diffusion Models
for Inverse Problems through Stochastic Contraction [31.61199061999173]
拡散モデルには重要な欠点がある。純粋なガウスノイズから画像を生成するために数千ステップの反復を必要とするため、サンプリングが本質的に遅い。
ガウスノイズから始めることは不要であることを示す。代わりに、より優れた初期化を伴う単一前方拡散から始めると、逆条件拡散におけるサンプリングステップの数を大幅に減少させる。
ComeCloser-DiffuseFaster (CCDF)と呼ばれる新しいサンプリング戦略は、逆問題に対する既存のフィードフォワードニューラルネットワークアプローチが拡散モデルと相乗的に組み合わせられる方法について、新たな洞察を明らかにしている。
論文 参考訳（メタデータ） (2021-12-09T04:28:41Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z)
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。