論文の概要: PPFM: Image denoising in photon-counting CT using single-step posterior
sampling Poisson flow generative models
- arxiv url: http://arxiv.org/abs/2312.09754v2
- Date: Tue, 19 Dec 2023 15:44:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 12:29:54.183709
- Title: PPFM: Image denoising in photon-counting CT using single-step posterior
sampling Poisson flow generative models
- Title(参考訳): PPFM : 単段階後方サンプリングポアソン流生成モデルを用いた光子計数CTの撮像
- Authors: Dennis Hein, Staffan Holmin, Timothy Szczykutowicz, Jonathan S Maltz,
Mats Danielsson, Ge Wang, Mats Persson
- Abstract要約: 低用量および光子計数CTのための新しい画像デノナイズ技術であるPPFM(Postor sample Poisson Flow Generative Model)を提案する。
その結果、拡散モデルと比較してPFGM++フレームワークの利点が明らかになった。
- 参考スコア(独自算出の注目度): 3.7080630916211152
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion and Poisson flow models have shown impressive performance in a wide
range of generative tasks, including low-dose CT image denoising. However, one
limitation in general, and for clinical applications in particular, is slow
sampling. Due to their iterative nature, the number of function evaluations
(NFE) required is usually on the order of $10-10^3$, both for conditional and
unconditional generation. In this paper, we present posterior sampling Poisson
flow generative models (PPFM), a novel image denoising technique for low-dose
and photon-counting CT that produces excellent image quality whilst keeping
NFE=1. Updating the training and sampling processes of Poisson flow generative
models (PFGM)++, we learn a conditional generator which defines a trajectory
between the prior noise distribution and the posterior distribution of
interest. We additionally hijack and regularize the sampling process to achieve
NFE=1. Our results shed light on the benefits of the PFGM++ framework compared
to diffusion models. In addition, PPFM is shown to perform favorably compared
to current state-of-the-art diffusion-style models with NFE=1, consistency
models, as well as popular deep learning and non-deep learning-based image
denoising techniques, on clinical low-dose CT images and clinical images from a
prototype photon-counting CT system.
- Abstract(参考訳): 拡散とポアソン流のモデルでは、低用量CT画像のデノナイジングなど、幅広い生成タスクにおいて顕著な性能を示している。
しかし、一般的には1つの制限、特に臨床応用においては、サンプリングが遅い。
その反復性のため、要求される関数評価(NFE)の数は、通常、条件付きおよび無条件生成の両方に対して10~10^3$である。
本稿では,NFE=1を保ちながら画像品質に優れた低線量および光子計数CTのための新しい画像復調技術である後部サンプリングポアソンフロー生成モデル(PPFM)を提案する。
本研究では,poisson flow generative models (pfgm)++のトレーニングおよびサンプリングプロセスを更新し,先行雑音分布と関心の後方分布との軌跡を定義する条件付き生成器を学習する。
さらに、nfe=1を達成するためにサンプリングプロセスをハイジャックして規則化する。
その結果、拡散モデルと比較してPFGM++フレームワークの利点が明らかになった。
さらに, PPFMは, NFE=1の最先端拡散型モデル, 一貫性モデル, 一般的な深層学習および非深層学習に基づく画像認識技術と比較して, 試作光子計数CTシステムによる低線量CT画像および臨床画像に対して, 良好な性能を示した。
関連論文リスト
- 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) - EM Distillation for One-step Diffusion Models [65.57766773137068]
最小品質の損失を最小限に抑えた1ステップ生成モデルに拡散モデルを蒸留する最大可能性に基づく手法を提案する。
本研究では, 蒸留プロセスの安定化を図るため, 再パラメータ化サンプリング手法とノイズキャンセリング手法を開発した。
論文 参考訳(メタデータ) (2024-05-27T05:55:22Z) - Poisson flow consistency models for low-dose CT image denoising [3.6218104434936658]
本稿では,Poisson Flow Generative Model (PFGM)++で得られる柔軟性と,高品質で単一ステップの一貫性モデルのサンプリングを併用した新しい画像復調手法を提案する。
この結果から,PFGM++における拡張変数の次元性であるハイパーパラメータDのチューニングの柔軟性が,一貫性モデルよりも優れることが示唆された。
論文 参考訳(メタデータ) (2024-02-13T01:39:56Z) - Blue noise for diffusion models [50.99852321110366]
本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。
我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。
本手法を用いて,各種データセットの質的,定量的な評価を行う。
論文 参考訳(メタデータ) (2024-02-07T14:59:25Z) - Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising [10.854795474105366]
低線量CT画像のデノイングは医用画像処理において重要な課題である。
既存の教師なしのディープラーニングベースの手法では、大量の低用量CT画像でトレーニングする必要があることが多い。
低用量CT画像のゼロショット復調を可能にするため,訓練中に通常用量CT画像のみを利用する新しい教師なし手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T09:38:52Z) - CoreDiff: Contextual Error-Modulated Generalized Diffusion Model for
Low-Dose CT Denoising and Generalization [41.64072751889151]
低線量CT(LDCT)画像は光子飢餓と電子ノイズによりノイズやアーティファクトに悩まされる。
本稿では,低用量CT (LDCT) 用新しいCOntextual eRror-modulated gEneralized Diffusion Model(CoreDiff)を提案する。
論文 参考訳(メタデータ) (2023-04-04T14:13:13Z) - 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) - ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion
Trajectories [144.03939123870416]
本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。
いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。
我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
論文 参考訳(メタデータ) (2023-02-05T12:48:21Z) - On Distillation of Guided Diffusion Models [94.95228078141626]
そこで本研究では,分類器を含まない誘導拡散モデルから抽出し易いモデルへ抽出する手法を提案する。
画素空間上で訓練された標準拡散モデルに対して,本手法は元のモデルに匹敵する画像を生成することができる。
遅延空間で訓練された拡散モデル(例えば、安定拡散)に対して、我々の手法は1から4段階のデノナイジングステップで高忠実度画像を生成することができる。
論文 参考訳(メタデータ) (2022-10-06T18:03:56Z) - Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
本稿では,単一画像の自己教師型学習手法を提案する。
繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。
提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
論文 参考訳(メタデータ) (2022-06-04T00:08:58Z) - Unsupervised Denoising of Retinal OCT with Diffusion Probabilistic Model [0.2578242050187029]
本稿では,信号の代わりにノイズから学習するための拡散確率モデルを提案する。
本手法は,簡単な作業パイプラインと少量のトレーニングデータを用いて,画像品質を著しく向上させることができる。
論文 参考訳(メタデータ) (2022-01-27T19:02:38Z)
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。