論文の概要: When are Diffusion Priors Helpful in Sparse Reconstruction? A Study with Sparse-view CT

• arxiv url: http://arxiv.org/abs/2502.02771v1
• Date: Tue, 04 Feb 2025 23:28:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:27:51.150562
• Title: When are Diffusion Priors Helpful in Sparse Reconstruction? A Study with Sparse-view CT
• Title（参考訳）: 拡散優位はスパース再建に有効か? : スパースCTによる検討
• Authors: Matt Y. Cheung, Sophia Zorek, Tucker J. Netherton, Laurence E. Court, Sadeer Al-Kindi, Ashok Veeraraghavan, Guha Balakrishnan,
• Abstract要約: 画像再構成の先行として拡散モデルの有用性について検討する。 我々は、ピクセルベースの、構造的、下流のメトリクスを用いて、それらのパフォーマンスを古典的な先行(スパースとティホノフの正規化)と比較する。 拡散先行は、非常に少ない観測で大量の詳細を捉えることができ、古典的先行よりも著しく優れていた。
• 参考スコア（独自算出の注目度）: 15.50410096185811
• License:
• Abstract: Diffusion models demonstrate state-of-the-art performance on image generation, and are gaining traction for sparse medical image reconstruction tasks. However, compared to classical reconstruction algorithms relying on simple analytical priors, diffusion models have the dangerous property of producing realistic looking results \emph{even when incorrect}, particularly with few observations. We investigate the utility of diffusion models as priors for image reconstruction by varying the number of observations and comparing their performance to classical priors (sparse and Tikhonov regularization) using pixel-based, structural, and downstream metrics. We make comparisons on low-dose chest wall computed tomography (CT) for fat mass quantification. First, we find that classical priors are superior to diffusion priors when the number of projections is ``sufficient''. Second, we find that diffusion priors can capture a large amount of detail with very few observations, significantly outperforming classical priors. However, they fall short of capturing all details, even with many observations. Finally, we find that the performance of diffusion priors plateau after extremely few ($\approx$10-15) projections. Ultimately, our work highlights potential issues with diffusion-based sparse reconstruction and underscores the importance of further investigation, particularly in high-stakes clinical settings.
• Abstract（参考訳）: 拡散モデルは、画像生成における最先端のパフォーマンスを示し、疎い医用画像再構成タスクの牽引力を高めている。 しかし、古典的再構成アルゴリズムが単純な解析的先行性に依存しているのに対し、拡散モデルは、特に観測の少ない現実的な結果である 'emph{even} を生成できる危険な性質を持つ。 画像再構成における拡散モデルの有用性を, 画素ベース, 構造, 下流のメトリクスを用いて, 観測回数を変化させ, それらの性能を古典的先行値(スパース, ティホノフ正則化)と比較することにより検討した。 低用量胸壁CT(low-dose chest wall Computed tomography)による脂肪量定量法の比較を行った。 まず、射影の数が ``sufficient'' であるとき、古典的先行は拡散先行よりも優れていることが分かる。 第二に、拡散先行は、非常に少ない観測で大量の詳細を捉えることができ、古典的先行よりも著しく優れていた。 しかし、多くの観測を積んでも、すべての詳細を把握できない。 最後に, 拡散速度は, 非常に少ない(10〜15ドル) プロジェクションに先行することを示す。 最終的に本研究は,拡散型スパース再建の潜在的な問題点を浮き彫りにして,特にハイテイクな臨床現場において,さらなる調査の重要性を浮き彫りにしている。

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)
• Lotus: Diffusion-based Visual Foundation Model for High-quality Dense Prediction [29.834614425056355]
  拡散に基づく視覚基盤モデルであるLotusを導入する。 特にLotusは、ノイズではなくアノテーションを直接予測するように訓練されており、有害な分散を避けることができる。 我々は,より正確できめ細かな予測が可能なディテールレザーと呼ばれる新しいチューニング戦略を導入する。
  論文  参考訳（メタデータ） (2024-09-26T17:58:55Z)
• Fine-Tuning Image-Conditional Diffusion Models is Easier than You Think [53.2706196341054]
  認識された非効率性は、これまで気付かれなかった推論パイプラインの欠陥によって引き起こされたことを示している。 タスク固有の損失を伴う単一ステップモデル上でエンドツーエンドの微調整を行い、他の拡散に基づく深さモデルや正規推定モデルよりも優れた決定論的モデルを得る。
  論文  参考訳（メタデータ） (2024-09-17T16:58:52Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• Variational Bayesian Imaging with an Efficient Surrogate Score-based Prior [7.155937118886449]
  不完全, 雑音の計測により, クリーンな画像後部を狙う不完全な逆画像問題について考察する。 最近の研究は、スコアベースの拡散モデルを、不適切な画像問題を解くための原則化された先行モデルに変えた。 提案するサロゲート先行法は, スコアベース拡散モデルの低境界に基づくものである。
  論文  参考訳（メタデータ） (2023-09-05T04:55:10Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• Score-Based Diffusion Models as Principled Priors for Inverse Imaging [46.19536250098105]
  本稿では,スコアに基づく拡散モデルを原理化された画像優先モデルに変換することを提案する。 本稿では, この確率関数を変分推論に用いることにより, 後部から試料を抽出する方法を示す。
  論文  参考訳（メタデータ） (2023-04-23T21:05:59Z)
• DIRE for Diffusion-Generated Image Detection [128.95822613047298]
  拡散再構成誤り(DIRE)という新しい表現を提案する。 DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。 DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
  論文  参考訳（メタデータ） (2023-03-16T13:15:03Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。