論文の概要: Evaluating the Posterior Sampling Ability of Plug&Play Diffusion Methods in Sparse-View CT

• arxiv url: http://arxiv.org/abs/2410.21301v1
• Date: Mon, 21 Oct 2024 11:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 07:22:01.291342
• Title: Evaluating the Posterior Sampling Ability of Plug&Play Diffusion Methods in Sparse-View CT
• Title（参考訳）: Sparse-View CTにおけるPlug/Play拡散法の後方サンプリング能力の評価
• Authors: Liam Moroy, Guillaume Bourmaud, Frédéric Champagnat, Jean-François Giovannelli,
• Abstract要約: Plug&Play(R)拡散モデルはCT再構成における最先端の手法である。 我々は,多くの投射を持つシングラムからの圧縮可能な流れ画像に興味を持ち,その結果,後部分布はピークやマルチモーダルにすらならない。
• 参考スコア（独自算出の注目度）: 5.839783742202482
• License:
• Abstract: Plug&Play (PnP) diffusion models are state-of-the-art methods in computed tomography (CT) reconstruction. Such methods usually consider applications where the sinogram contains a sufficient amount of information for the posterior distribution to be peaked, and consequently are evaluated using image-to-image metrics such as PSNR/SSIM. Instead, we are interested in reconstructing compressible flow images from sinograms having a small number of projections, which results in a posterior distribution no longer peaked or even multimodal. Thus, in this paper, we aim at evaluating the approximate posterior of PnP diffusion models and introduce two posterior evaluation criteria. We quantitatively evaluate three PnP diffusion methods on three different datasets for several numbers of projections. We surprisingly find that, for each method, the approximate posterior deviates from the true posterior when the number of projections decreases.
• Abstract（参考訳）: Plug&Play拡散モデル(PnP)はCT再構成における最先端の手法である。 このような手法は、通常、サノグラムが後部分布に十分な量の情報を含むアプリケーションについて検討し、PSNR/SSIMのような画像と画像のメトリクスを用いて評価する。 代わりに、少数の投射を持つシングラムから圧縮可能なフローイメージを再構成することに興味があり、その結果、後部分布はピークやマルチモーダルではなくなった。 そこで本研究では,PnP拡散モデルの近似後部評価を目標とし,後部評価基準を2つ導入する。 我々は3つの異なるデータセット上の3つのPnP拡散法を数個の投影に対して定量的に評価した。 それぞれの方法では、射影の数が減少すると、近似後部は真の後部から逸脱する。

関連論文リスト

• Generative-Model-Based Fully 3D PET Image Reconstruction by Conditional Diffusion Sampling [40.34650079545031]
  我々は、全数参照脳画像に基づいてSGMを訓練し、SGMベースの再構成を極めて少ない回数で行えるように方法論を拡張した。 次に、1%カウントデータの複数の独立実現のための再構成を行い、その手法のバイアス特性と分散特性を分析する。 我々は,本手法の性能を実測値と実測値のPETデータで評価し,従来のOSEMおよびMAP-EMベースラインと比較した。
  論文  参考訳（メタデータ） (2024-12-05T16:35:43Z)
• Learning a Filtered Backprojection Reconstruction Method for Photoacoustic Computed Tomography with Hemispherical Measurement Geometries [40.247016480270354]
  半走査FBP法は半解析的逆投影法である。 半スキャンFBP法におけるフィルタ操作の明示的な形式を近似するために,学習に基づく手法を提案する。 その結果,半スキャンFBP法は半スキャンデータから3次元画像を正確に再構成できることを確認した。
  論文  参考訳（メタデータ） (2024-12-02T21:01:11Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• Scalable diffusion posterior sampling in infinite-dimensional inverse problems [5.340736751238338]
  本研究では,サンプリング中の前方マッピング評価を回避できる拡張拡散後サンプリング法を提案する。 この手法は無限次元拡散モデルに一般化され、厳密な収束解析と高次元CT画像実験によって検証される。
  論文  参考訳（メタデータ） (2024-05-24T15:33:27Z)
• NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
  本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。 提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
  論文  参考訳（メタデータ） (2023-12-07T19:30:55Z)
• CT Reconstruction using Diffusion Posterior Sampling conditioned on a Nonlinear Measurement Model [17.26789842018146]
  拡散後方サンプリングは, 高品質なCT画像の高画質化に用いられている。 現在の手法は、画像の再構成や復元にX線CT物理の線形モデルに依存している。 本研究では,拡散後サンプリングによる非線形CT画像再構成の逆問題を解決する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-03T17:20:11Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
  CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。 疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。 スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
  論文  参考訳（メタデータ） (2022-11-25T06:49:18Z)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• Cephalometric Landmark Regression with Convolutional Neural Networks on 3D Computed Tomography Data [68.8204255655161]
  側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。 本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。 本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
  論文  参考訳（メタデータ） (2020-07-20T12:45:38Z)

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。