論文の概要: ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction

• arxiv url: http://arxiv.org/abs/2506.06400v1
• Date: Fri, 06 Jun 2025 01:43:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.258468
• Title: ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction
• Title（参考訳）: ResPF: Sparse-View CTの高効率・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・
• Authors: Changsheng Fang, Yongtong Liu, Bahareh Morovati, Shuo Han, Yu Shi, Li Zhou, Shuyi Fan, Hengyong Yu,
• Abstract要約: スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
• 参考スコア（独自算出の注目度）: 7.644299873269135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse-view computed tomography (CT) is a practical solution to reduce radiation dose, but the resulting ill-posed inverse problem poses significant challenges for accurate image reconstruction. Although deep learning and diffusion-based methods have shown promising results, they often lack physical interpretability or suffer from high computational costs due to iterative sampling starting from random noise. Recent advances in generative modeling, particularly Poisson Flow Generative Models (PFGM), enable high-fidelity image synthesis by modeling the full data distribution. In this work, we propose Residual Poisson Flow (ResPF) Generative Models for efficient and accurate sparse-view CT reconstruction. Based on PFGM++, ResPF integrates conditional guidance from sparse measurements and employs a hijacking strategy to significantly reduce sampling cost by skipping redundant initial steps. However, skipping early stages can degrade reconstruction quality and introduce unrealistic structures. To address this, we embed a data-consistency into each iteration, ensuring fidelity to sparse-view measurements. Yet, PFGM sampling relies on a fixed ordinary differential equation (ODE) trajectory induced by electrostatic fields, which can be disrupted by step-wise data consistency, resulting in unstable or degraded reconstructions. Inspired by ResNet, we introduce a residual fusion module to linearly combine generative outputs with data-consistent reconstructions, effectively preserving trajectory continuity. To the best of our knowledge, this is the first application of Poisson flow models to sparse-view CT. Extensive experiments on synthetic and clinical datasets demonstrate that ResPF achieves superior reconstruction quality, faster inference, and stronger robustness compared to state-of-the-art iterative, learning-based, and diffusion models.
• Abstract（参考訳）: スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 深層学習と拡散に基づく手法は有望な結果を示しているが、しばしば物理的解釈性に欠けたり、ランダムノイズから始まる反復サンプリングによる高い計算コストに悩まされる。 生成モデル、特にポアソンフロー生成モデル(PFGM)の最近の進歩は、全データ分布をモデル化して高忠実度画像合成を可能にする。 本研究では,Residual Poisson Flow (ResPF) Generative Models を提案する。 PFGM++に基づいて、ResPFはスパース測定からの条件付きガイダンスを統合し、余分な初期ステップをスキップすることでサンプリングコストを大幅に削減するハイジャック戦略を採用している。 しかし、初期ステージのスキップは再建の質を低下させ、非現実的な構造を導入する可能性がある。 この問題に対処するため、各イテレーションにデータ一貫性を組み込んで、スパースビュー測定の忠実さを確保します。 しかし、PFGMサンプリングは静電場によって誘導される固定常微分方程式(ODE)軌道に依存しており、ステップワイズデータの整合性によって破壊され、不安定あるいは劣化した再構成をもたらす。 ResNetに触発されて、生成出力とデータ一貫性の再構築を線形に組み合わせた残差融合モジュールを導入し、軌道の連続性を効果的に保存する。 我々の知る限りでは、これはスパースビューCTへのPoissonフローモデルの最初の応用である。 総合的および臨床的データセットに関する広範な実験により、ResPFは、最先端の反復的、学習ベース、拡散モデルと比較して、より優れた再構築品質、より高速な推論、強い堅牢性を達成することが示された。

関連論文リスト

• Model Collapse in the Self-Consuming Chain of Diffusion Finetuning: A Novel Perspective from Quantitative Trait Modeling [10.159932782892865]
  本稿では,事前に訓練されたテキスト-画像拡散モデルが生成した画像に基づいて微調整される拡散の連鎖について検討する。 画像品質の悪化は普遍的であり,このモデル崩壊に影響を及ぼす要因としてCFGスケールを同定した。 本稿では,遺伝子変異に触発された簡便かつ効果的な方法として,再利用可能な拡散微細構造(ReDiFine)を提案する。
  論文  参考訳（メタデータ） (2024-07-04T13:41:54Z)
• 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)
• Data-iterative Optimization Score Model for Stable Ultra-Sparse-View CT Reconstruction [2.2336243882030025]
  スパースビューCT再構成のための反復最適化データスコアリングモデル(DOSM)を提案する。 DOSMはデータの一貫性をデータ一貫性要素に統合し、測定データと生成モデルの制約を効果的にバランスさせる。 我々はDOSM更新の最適化に従来の手法を活用している。
  論文  参考訳（メタデータ） (2023-08-28T09:23:18Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)

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。