論文の概要: Product of Gaussian Mixture Diffusion Model for non-linear MRI Inversion

• arxiv url: http://arxiv.org/abs/2501.08662v1
• Date: Wed, 15 Jan 2025 08:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:52:54.764677
• Title: Product of Gaussian Mixture Diffusion Model for non-linear MRI Inversion
• Title（参考訳）: 非線形MRIインバージョンのためのガウス混合拡散モデルの作成
• Authors: Laurenz Nagler, Martin Zach, Thomas Pock,
• Abstract要約: 本稿では,ガウス混合拡散モデルの軽量かつパラメータ効率,解釈可能な積を画像として提案し,コイル感度の古典的滑らかさを優先する。 提案手法は, 高速な推測と, 分布外データとサンプリングトラジェクトリを対比する頑健性を実証しながら, 有望な結果を提供する。
• 参考スコア（独自算出の注目度）: 8.404557923725228
• License:
• Abstract: Diffusion models have recently shown remarkable results in magnetic resonance imaging reconstruction. However, the employed networks typically are black-box estimators of the (smoothed) prior score with tens of millions of parameters, restricting interpretability and increasing reconstruction time. Furthermore, parallel imaging reconstruction algorithms either rely on off-line coil sensitivity estimation, which is prone to misalignment and restricting sampling trajectories, or perform per-coil reconstruction, making the computational cost proportional to the number of coils. To overcome this, we jointly reconstruct the image and the coil sensitivities using the lightweight, parameter-efficient, and interpretable product of Gaussian mixture diffusion model as an image prior and a classical smoothness priors on the coil sensitivities. The proposed method delivers promising results while allowing for fast inference and demonstrating robustness to contrast out-of-distribution data and sampling trajectories, comparable to classical variational penalties such as total variation. Finally, the probabilistic formulation allows the calculation of the posterior expectation and pixel-wise variance.
• Abstract（参考訳）: 拡散モデルは最近、磁気共鳴画像再構成において顕著な結果を示している。 しかしながら、採用されているネットワークは通常、数千万のパラメータを持つ(滑らかな)事前スコアのブラックボックス推定器であり、解釈可能性の制限と再構成時間の増加を制限している。 さらに、並列画像再構成アルゴリズムは、オフラインコイル感度推定に依存するか、サンプリング軌跡の調整や制限が難しいか、コイル数に比例した計算コストでコイルごとの再構成を行う。 そこで我々は,ガウス混合拡散モデルの軽量,パラメータ効率,解釈可能な積を先行画像として,コイル感度に先行する古典的滑らかさを用いて,画像とコイル感度を共同で再構成した。 提案手法は,高速な推論とロバスト性を示すとともに,全変動のような古典的変動ペナルティに匹敵する,分布外データとサンプリングトラジェクトリの対比を可能にする。 最後に、確率的定式化により、後方予測と画素単位の分散の計算が可能となる。

関連論文リスト

• pcaGAN: Improving Posterior-Sampling cGANs via Principal Component Regularization [11.393603788068777]
  画像逆問題では、観測された測定値と真の画像の事前知識の両方に適合する仮説が多数存在する。 本稿では, 高速かつ高精度な後サンプリング条件生成対向ネットワーク (cGAN) を提案する。
  論文  参考訳（メタデータ） (2024-11-01T14:09:28Z)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  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)
• 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)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
  本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。 その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
  論文  参考訳（メタデータ） (2022-10-25T08:34:29Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• 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)
• Fast Scalable Image Restoration using Total Variation Priors and Expectation Propagation [7.7731951589289565]
  本稿では,全変動(TV)を用いた画像復元のための拡張性のあるベイズ近似手法を提案する。 我々は期待伝搬(EP)フレームワークを用いて最小平均二乗誤差(MMSE)推定器と限界(ピクセル単位)分散を近似する。
  論文  参考訳（メタデータ） (2021-10-04T17:28:41Z)
• Patch-Based Image Restoration using Expectation Propagation [7.7731951589289565]
  モンテカルロ法は画像復元などの高次元推論問題においてスケーラビリティの問題に悩まされることがある。 EP は多変量ガウス密度の積を用いて後部分布を近似するために用いられる。 ガウスノイズとポアソンノイズによるデノナイズ、塗装、デコンボリューション問題に対する実験は、そのようなフレキシブル近似ベイズ法の潜在的な利点を示している。
  論文  参考訳（メタデータ） (2021-06-18T10:45:15Z)
• Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
  圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。 タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。 高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
  論文  参考訳（メタデータ） (2020-04-22T12:50:03Z)

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。