論文の概要: fastWDM3D: Fast and Accurate 3D Healthy Tissue Inpainting
- arxiv url: http://arxiv.org/abs/2507.13146v1
- Date: Thu, 17 Jul 2025 14:10:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.529896
- Title: fastWDM3D: Fast and Accurate 3D Healthy Tissue Inpainting
- Title（参考訳）: fastWDM3D:高速で正確な3D健康組織塗布
- Authors: Alicia Durrer, Florentin Bieder, Paul Friedrich, Bjoern Menze, Philippe C. Cattin, Florian Kofler,
- Abstract要約: GAN成分を含まない3次元ウェーブレット拡散モデル(WDM3D)を提案する。
私たちのモデルは最高800倍高速で、優れたパフォーマンスのメトリクスを実現しています。
提案手法であるfastWDM3Dは, 迅速かつ正確な組織塗布法として有望な手法である。
- 参考スコア（独自算出の注目度）: 1.9637775017749974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Healthy tissue inpainting has significant applications, including the generation of pseudo-healthy baselines for tumor growth models and the facilitation of image registration. In previous editions of the BraTS Local Synthesis of Healthy Brain Tissue via Inpainting Challenge, denoising diffusion probabilistic models (DDPMs) demonstrated qualitatively convincing results but suffered from low sampling speed. To mitigate this limitation, we adapted a 2D image generation approach, combining DDPMs with generative adversarial networks (GANs) and employing a variance-preserving noise schedule, for the task of 3D inpainting. Our experiments showed that the variance-preserving noise schedule and the selected reconstruction losses can be effectively utilized for high-quality 3D inpainting in a few time steps without requiring adversarial training. We applied our findings to a different architecture, a 3D wavelet diffusion model (WDM3D) that does not include a GAN component. The resulting model, denoted as fastWDM3D, obtained a SSIM of 0.8571, a MSE of 0.0079, and a PSNR of 22.26 on the BraTS inpainting test set. Remarkably, it achieved these scores using only two time steps, completing the 3D inpainting process in 1.81 s per image. When compared to other DDPMs used for healthy brain tissue inpainting, our model is up to 800 x faster while still achieving superior performance metrics. Our proposed method, fastWDM3D, represents a promising approach for fast and accurate healthy tissue inpainting. Our code is available at https://github.com/AliciaDurrer/fastWDM3D.
- Abstract（参考訳）: 健康な組織塗布は、腫瘍成長モデルのための疑似健康ベースラインの生成や、画像登録の容易化など、重要な応用がある。
前版のBraTS Local Synthesis of Healthy Brain tissue via Inpainting Challengeでは、拡散確率モデル(DDPM)が定性的に説得力のある結果を示したが、サンプリング速度が低かった。
この制限を緩和するため, DDPMとGANを組み合わせた2次元画像生成手法を適用し, 3次元塗装作業に分散保存ノイズスケジュールを適用した。
実験により, 分散保存ノイズスケジュールと選択した復元損失を, 敵の訓練を必要とせず, 数ステップで高品質な3D塗装に有効に活用できることが判明した。
我々は,GAN成分を含まない3次元ウェーブレット拡散モデル (WDM3D) を別のアーキテクチャに適用した。
結果のモデルはfastWDM3Dと呼ばれ、SSIMは0.8571、MSEは0.0079、PSNRは22.26であった。
注目すべきことに、これらのスコアは2つのタイムステップで達成され、画像あたり1.81秒で3Dインペインティングプロセスが完了した。
健康な脳組織塗布に使用される他のDDPMと比較して、我々のモデルは最高800倍高速であり、優れたパフォーマンス指標が得られています。
提案手法であるfastWDM3Dは, 迅速かつ正確な組織塗布法として有望な手法である。
私たちのコードはhttps://github.com/AliciaDurrer/fastWDM3Dで利用可能です。
関連論文リスト
- U-Net Based Healthy 3D Brain Tissue Inpainting [5.347187213114967]
本稿では,マスク入力画像から健康な3次元脳組織を合成するための新しいアプローチを提案する。
提案手法は,脳MRIスキャンの欠失領域や破損領域を効果的に再構築するU-Netアーキテクチャを用いている。
本モデルはBraTS-Local-Inpaintingデータセットを用いてトレーニングし,健常な脳組織の回復における異常な性能を示す。
論文 参考訳（メタデータ） (2025-07-24T06:26:46Z) - Hierarchical Diffusion Framework for Pseudo-Healthy Brain MRI Inpainting with Enhanced 3D Consistency [3.4844189568364348]
Pseudo-Healthy Image inpaintingは、病理脳MRIスキャンを解析するための重要な前処理ステップである。
現在の塗装法の多くは、平面内忠実度の高いスライス2Dモデルを好むが、スライス間の独立性はボリュームに不連続をもたらす。
直接3次元モデリングを2つの粗い2次元ステージに置き換えることで,これらの制約を階層的な拡散フレームワークで解決する。
論文 参考訳（メタデータ） (2025-07-23T20:21:29Z) - Consistency^2: Consistent and Fast 3D Painting with Latent Consistency Models [29.818123424954294]
ジェネレーティブ3Dペイントは、高解像度の3Dアセット管理とリサイクルにおいて、最大の生産性向上要因である。
課題に対するLCM(Latent Consistency Model)適応を提案する。
提案モデルの強みと弱みを分析し,定量的かつ質的に評価する。
論文 参考訳（メタデータ） (2024-06-17T04:40:07Z) - Gamba: Marry Gaussian Splatting with Mamba for single view 3D reconstruction [153.52406455209538]
Gambaは、単一のビューイメージからエンドツーエンドの3D再構成モデルである。
1つのNVIDIA A100 GPUで0.05秒以内に再構築が完了する。
論文 参考訳（メタデータ） (2024-03-27T17:40:14Z) - Denoising Diffusion Models for Inpainting of Healthy Brain Tissue [0.7022492404644499]
本論文は,健康な脳組織の局所的合成技術であるBraTS 2023への貢献である。
この課題の課題は、腫瘍組織を脳磁気共鳴(MR)画像の健康な組織に変換することである。
我々は、健康な組織を採取し、再び塗布されることを学ぶスライスを用いて訓練された2Dモデルを使用します。
論文 参考訳（メタデータ） (2024-02-27T08:31:39Z) - StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳（メタデータ） (2023-12-02T02:27:58Z) - Instant3D: Fast Text-to-3D with Sparse-View Generation and Large
Reconstruction Model [68.98311213582949]
テキストプロンプトから高品質で多様な3Dアセットをフィードフォワードで生成する新しい手法であるInstant3Dを提案する。
提案手法は,従来の最適化手法よりも2桁早く,20秒以内に高画質の多種多様な3Dアセットを生成できる。
論文 参考訳（メタデータ） (2023-11-10T18:03:44Z) - DreamGaussian: Generative Gaussian Splatting for Efficient 3D Content Creation [55.661467968178066]
本稿では,DreamGaussianを提案する。DreamGaussianは,効率と品質を両立させる新しい3Dコンテンツ生成フレームワークである。
我々の重要な洞察は、UV空間におけるメッシュ抽出とテクスチャ改善を伴う3次元ガウススプラッティングモデルを設計することである。
ニューラル・ラジアンス・フィールドにおける占有プルーニングとは対照的に、3次元ガウスの進行的な密度化は3次元生成タスクにおいて著しく速く収束することを示した。
論文 参考訳（メタデータ） (2023-09-28T17:55:05Z) - TextMesh: Generation of Realistic 3D Meshes From Text Prompts [56.2832907275291]
リアルな3Dメッシュを生成するための新しい手法を提案する。
この目的のために、NeRFをSDFバックボーンに拡張し、3Dメッシュ抽出を改善した。
論文 参考訳（メタデータ） (2023-04-24T20:29:41Z) - IC3D: Image-Conditioned 3D Diffusion for Shape Generation [4.470499157873342]
Denoising Diffusion Probabilistic Models (DDPM) は様々な2次元生成タスクにおいて例外的な性能を示した。
我々は,CISP (Contrastive Image-Shape Pre-Training)を導入し,画像-形状の接合空間を適切に構成した。
次に,CISPの3次元形状生成誘導を利用するDDPMであるIC3Dを紹介する。
論文 参考訳（メタデータ） (2022-11-20T04:21:42Z) - Magic3D: High-Resolution Text-to-3D Content Creation [78.40092800817311]
DreamFusionは最近、NeRF(Neural Radiance Fields)を最適化するための事前訓練されたテキスト-画像拡散モデルの有用性を実証した。
本稿では,2段階最適化フレームワークを用いて,これらの制約に対処する。
Magic3Dと呼ばれる我々の手法は、DreamFusionより2倍高速な高品質な3Dメッシュモデルを40分で作成できる。
論文 参考訳（メタデータ） (2022-11-18T18:59:59Z) - Inflating 2D Convolution Weights for Efficient Generation of 3D Medical
Images [35.849240945334]
3次元医用画像は取得・注釈するのに高価であり,多くのパラメータが3次元畳み込みに関与している。
本稿では3D Split&Shuffle-GANと呼ばれる新しいGANモデルを提案する。
提案手法は,パラメータが大幅に少ない3次元画像の画質向上につながることを示す。
論文 参考訳（メタデータ） (2022-08-08T06:31:00Z)
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。