論文の概要: FB-Diff: Fourier Basis-guided Diffusion for Temporal Interpolation of 4D Medical Imaging
- arxiv url: http://arxiv.org/abs/2507.04547v1
- Date: Sun, 06 Jul 2025 21:39:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.230315
- Title: FB-Diff: Fourier Basis-guided Diffusion for Temporal Interpolation of 4D Medical Imaging
- Title（参考訳）: FB-Diff : 4次元医用画像の経時的補間のためのフーリエ基底誘導拡散法
- Authors: Xin You, Runze Yang, Chuyan Zhang, Zhongliang Jiang, Jie Yang, Nassir Navab,
- Abstract要約: 4次元医用画像の時間的課題は,呼吸運動モデリングの臨床的実践において重要な役割を担っている。
本稿ではFB-Diffと呼ばれるフーリエ基底誘導拡散モデルを提案する。
本稿では,FB-Diffが時間的整合性を向上しつつ,将来性のある再建指標を維持しながら,最先端の指標を実現することを示す。
- 参考スコア（独自算出の注目度）: 38.70420710947938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The temporal interpolation task for 4D medical imaging, plays a crucial role in clinical practice of respiratory motion modeling. Following the simplified linear-motion hypothesis, existing approaches adopt optical flow-based models to interpolate intermediate frames. However, realistic respiratory motions should be nonlinear and quasi-periodic with specific frequencies. Intuited by this property, we resolve the temporal interpolation task from the frequency perspective, and propose a Fourier basis-guided Diffusion model, termed FB-Diff. Specifically, due to the regular motion discipline of respiration, physiological motion priors are introduced to describe general characteristics of temporal data distributions. Then a Fourier motion operator is elaborately devised to extract Fourier bases by incorporating physiological motion priors and case-specific spectral information in the feature space of Variational Autoencoder. Well-learned Fourier bases can better simulate respiratory motions with motion patterns of specific frequencies. Conditioned on starting and ending frames, the diffusion model further leverages well-learned Fourier bases via the basis interaction operator, which promotes the temporal interpolation task in a generative manner. Extensive results demonstrate that FB-Diff achieves state-of-the-art (SOTA) perceptual performance with better temporal consistency while maintaining promising reconstruction metrics. Codes are available.
- Abstract（参考訳）: 4次元医用画像の時間的補間作業は,呼吸運動モデリングの臨床的実践において重要な役割を担っている。
単純化された線形運動仮説に続いて、既存のアプローチでは中間フレームを補間するために光フローベースモデルを採用している。
しかし、現実的な呼吸運動は非線形であり、特定の周波数で準周期的であるべきである。
この特性に頼り、周波数の観点から時間補間課題を解くとともに、フーリエ基底誘導拡散モデル(FB-Diff)を提案する。
具体的には、呼吸の規則的な運動の規律により、時間的データ分布の一般的な特徴を記述するために、生理的動きの先行が導入された。
次に、変動オートエンコーダの特徴空間において、生理的動作先行情報とケース固有スペクトル情報を組み込んでフーリエ基底を抽出するフーリエ運動演算子を精巧に考案する。
よく訓練されたフーリエ基地は、特定の周波数の運動パターンで呼吸運動をシミュレートする。
フレームの開始と終了を条件に、拡散モデルは、時間的補間タスクを生成的方法で促進するベース相互作用演算子を介して、十分に学習されたフーリエ基底をさらに活用する。
その結果,FB-Diffは高い時間的整合性を保ちつつ,将来性のある再建指標を維持しつつ,最先端のSOTA(State-of-the-art)の知覚性能を達成できることが判明した。
コードは利用可能。
関連論文リスト
- Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - Brain Effective Connectivity Estimation via Fourier Spatiotemporal Attention [28.16273684461348]
時間的・空間的注意(FSTA-EC)に基づく脳能動接続推定法を提案する。
FSTA-ECは、フーリエの注意と注意を組み合わせて、fMRIデータからシリーズ間(時間的)のダイナミックスとシリーズ内(時間的)の依存関係を同時にキャプチャする。
シミュレーションおよびリアルタイムfMRIデータセットの実験結果から,提案手法は最先端の手法と比較して優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2025-03-14T10:41:27Z) - Robustifying Fourier Features Embeddings for Implicit Neural Representations [25.725097757343367]
Inlicit Neural Representation (INR) は、目標関数の対応する値に座標をマッピングすることで、連続関数を表現するためにニューラルネットワークを使用する。
INRは、様々な周波数を含むシーンを扱う際に、スペクトルバイアスとして知られる課題に直面している。
本稿では,多層パーセプトロン (MLP) を添加剤なしで使用することを提案する。
論文 参考訳（メタデータ） (2025-02-08T07:43:37Z) - Graph Fourier Neural ODEs: Modeling Spatial-temporal Multi-scales in Molecular Dynamics [38.53044197103943]
GF-NODEは、空間周波数分解のためのグラフフーリエ変換と、連続時間進化のためのニューラルODEフレームワークを統合する。
GF-NODEは,拡張シミュレーションよりも重要な幾何学的特徴を保ちながら,最先端の精度を実現する。
これらの結果は,MDシミュレーションの強靭性と予測力を改善するために,連続時間モデルによるスペクトル分解のブリッジ化が期待できることを示す。
論文 参考訳（メタデータ） (2024-11-03T15:10:48Z) - Neural Fourier Modelling: A Highly Compact Approach to Time-Series Analysis [9.969451740838418]
時系列解析のためのコンパクトで強力なソリューションであるニューラルフーリエモデリング(NFM)を導入する。
NFM はフーリエ変換 (FT) の2つの重要な性質 (i) 有限長時系列をフーリエ領域の関数としてモデル化する能力 (ii) フーリエ領域内のデータ操作の能力 (ii) に基礎を置いている。
NFMは幅広いタスクで最先端のパフォーマンスを達成しており、テスト時にこれまで見つからなかったサンプリングレートを持つ時系列シナリオに挑戦する。
論文 参考訳（メタデータ） (2024-10-07T02:39:55Z) - Time Series Diffusion in the Frequency Domain [54.60573052311487]
周波数領域における時系列表現がスコアベース拡散モデルに有用な帰納バイアスであるか否かを解析する。
重要なニュアンスを持つ周波数領域において、二重拡散過程が生じることを示す。
周波数領域に拡散モデルを実装するために,デノナイジングスコアマッチング手法を適用する方法を示す。
論文 参考訳（メタデータ） (2024-02-08T18:59:05Z) - FourierHandFlow: Neural 4D Hand Representation Using Fourier Query Flow [55.61843393812704]
最近の4次元形状表現は、明瞭な形状間の暗黙の対応を捉えたり、ジッタリー時間変形を規則化するものではない。
音声による手指の時間的変形を効果的にモデル化するために,2種類の問合せフローに基づいて4次元表現を構成する。
提案手法は,既存の3D/4D暗示形状表現よりも高効率でありながら,映像ベースの4D再構成における最先端結果を実現する。
論文 参考訳（メタデータ） (2023-07-16T16:58:37Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Dynamic Temporal Filtering in Video Models [128.02725199486719]
時間的特徴学習の新しいレシピである動的時間フィルタ(DTF)を提案する。
DTFは、その長距離時間ダイナミクスをモデル化するために、空間的位置ごとに特別な周波数フィルタを学習する。
DTFブロックをConvNetsとTransformerにプラグインすることで、DTF-NetとDTF-Transformerが得られる。
論文 参考訳（メタデータ） (2022-11-15T15:59:28Z)
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。