論文の概要: Implicit Image-to-Image Schrodinger Bridge for CT Super-Resolution and Denoising

• arxiv url: http://arxiv.org/abs/2403.06069v1
• Date: Sun, 10 Mar 2024 03:22:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 08:50:09.623578
• Title: Implicit Image-to-Image Schrodinger Bridge for CT Super-Resolution and Denoising
• Title（参考訳）: CT超解像・復調用インシシシットイメージ・トゥ・イメージ・シュロディンガーブリッジ
• Authors: Yuang Wang, Siyeop Yoon, Pengfei Jin, Matthew Tivnan, Zhennong Chen, Rui Hu, Li Zhang, Zhiqiang Chen, Quanzheng Li, and Dufan Wu
• Abstract要約: Image-to-Image Schr"odinger Bridge (I2SB)は、破損した画像から生成過程を初期化する。 Inlicit Image-to-Image Schrodinger Bridge (I3SB)を導入し,その生成過程を非マルコフ過程に変換する。 この強化により、I3SBは、少数の生成ステップを使用して、より優れたテクスチャ復元の画像を生成することができる。
• 参考スコア（独自算出の注目度）: 13.529438499545408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional diffusion models have gained recognition for their effectiveness in image restoration tasks, yet their iterative denoising process, starting from Gaussian noise, often leads to slow inference speeds. As a promising alternative, the Image-to-Image Schr\"odinger Bridge (I2SB) initializes the generative process from corrupted images and integrates training techniques from conditional diffusion models. In this study, we extended the I2SB method by introducing the Implicit Image-to-Image Schrodinger Bridge (I3SB), transitioning its generative process to a non-Markovian process by incorporating corrupted images in each generative step. This enhancement empowers I3SB to generate images with better texture restoration using a small number of generative steps. The proposed method was validated on CT super-resolution and denoising tasks and outperformed existing methods, including the conditional denoising diffusion probabilistic model (cDDPM) and I2SB, in both visual quality and quantitative metrics. These findings underscore the potential of I3SB in improving medical image restoration by providing fast and accurate generative modeling.
• Abstract（参考訳）: 条件拡散モデルでは,画像復元作業の有効性が認識されているが,ガウス雑音を起点とする反復的除音処理では,推定速度が遅くなることが多い。 有望な代替手段として、画像から画像へのシュリンガーブリッジ(I2SB)は、破損した画像から生成過程を初期化し、条件付き拡散モデルからトレーニング技術を統合する。 本研究では,インプリシット画像から画像へのシュロディンガーブリッジ (I3SB) を導入してI2SB法を拡張し,その生成過程を,各生成工程に劣化画像を組み込むことで非マルコフ過程に移行する。 この強化により、I3SBは少数の生成ステップを使用して、より優れたテクスチャ復元の画像を生成することができる。 提案手法は,CT超解像および復調タスクにおいて,視覚的品質と定量的指標の両方において,条件付き復調拡散確率モデル(cDDPM)やI2SBなどの既存手法よりも優れていた。 これらの知見は、高速かつ正確な生成モデルを提供することで、医用画像修復におけるI3SBの可能性を示している。

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)
• Blind Image Restoration via Fast Diffusion Inversion [17.139433082780037]
  Blind Image Restoration via fast Diffusion (BIRD) は、劣化モデルパラメータと復元画像の協調最適化を行うブラインド赤外線法である。 提案手法の鍵となる考え方は、初期ノイズがサンプリングされると、逆サンプリングを変更すること、すなわち、中間潜水剤を全て変更しないことである。 画像復元作業におけるBIRDの有効性を実験的に検証し,それらすべてに対して,その成果が得られたことを示す。
  論文  参考訳（メタデータ） (2024-05-29T23:38:12Z)
• SwiftBrush: One-Step Text-to-Image Diffusion Model with Variational Score Distillation [1.5892730797514436]
  テキストと画像の拡散モデルは、しばしば遅い反復的なサンプリングプロセスに悩まされる。 我々は$textbfSwiftBrush$という新しいイメージフリー蒸留方式を提案する。 SwiftBrushは、COCO-30Kベンチマークで、$textbf16.67$のFIDスコアと$textbf0.29$のCLIPスコアを達成している。
  論文  参考訳（メタデータ） (2023-12-08T18:44:09Z)
• Beyond First-Order Tweedie: Solving Inverse Problems using Latent Diffusion [41.758635460235716]
  我々はSurrogate Loss (STSL) の2階Tweedieサンプルについて紹介する。 STSLは、二階近似を用いたトラクタブル・リバース・プロセスを備えた一階Tweedieに匹敵する効率性を提供する。 提案手法は,PSLDとP2Lを超越し,神経機能評価の4倍,8倍の低減を実現した。
  論文  参考訳（メタデータ） (2023-12-01T14:36:24Z)
• ACT-Diffusion: Efficient Adversarial Consistency Training for One-step Diffusion Models [59.90959789767886]
  整合性トレーニング損失の最適化は,目標分布と生成分布とのワッサーシュタイン距離を最小化することを示す。 CIFAR10 と ImageNet 64$times$64 と LSUN Cat 256$times$256 データセットの FID スコアを改善する。
  論文  参考訳（メタデータ） (2023-11-23T16:49:06Z)
• Improving Denoising Diffusion Models via Simultaneous Estimation of Image and Noise [15.702941058218196]
  本稿では,逆拡散過程によって生成される画像の速度と品質の向上を目的とした2つの重要なコントリビューションを紹介する。 最初のコントリビューションは、画像と雑音の間の四分円弧上の角度で拡散過程を再パラメータ化することである。 2つ目のコントリビューションは、私たちのネットワークを使ってイメージ(mathbfx_0$)とノイズ(mathbfepsilon$)を直接見積もることです。
  論文  参考訳（メタデータ） (2023-10-26T05:43:07Z)
• EGC: Image Generation and Classification via a Diffusion Energy-Based Model [59.591755258395594]
  この研究は、エネルギーベースの分類器とジェネレータ、すなわちEMCを導入し、単一のニューラルネットワークを使用して両方のタスクで優れたパフォーマンスを実現する。 EGCはImageNet-1k、CelebA-HQ、LSUN Churchの最先端アプローチと比較して、競争力のある生成結果を達成している。 この研究は、ネットワークパラメータの単一セットを使用して両方のタスクを同時に実行しようとする最初の試みである。
  論文  参考訳（メタデータ） (2023-04-04T17:59:14Z)
• I$^2$SB: Image-to-Image Schr\"odinger Bridge [87.43524087956457]
  Image-to-Image Schr"odinger Bridge (I$2$SB) は条件拡散モデルの新しいクラスである。 I$2$SB は、2つの与えられた分布間の非線形拡散過程を直接学習する。 I$2$SBは、より解釈可能な生成過程を持つ標準条件拡散モデルを超えることを示す。
  論文  参考訳（メタデータ） (2023-02-12T08:35:39Z)
• Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
  本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。 提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
  論文  参考訳（メタデータ） (2021-07-02T11:55:40Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。