論文の概要: DICE: Diffusion Consensus Equilibrium for Sparse-view CT Reconstruction

• arxiv url: http://arxiv.org/abs/2509.14566v1
• Date: Thu, 18 Sep 2025 02:59:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.039481
• Title: DICE: Diffusion Consensus Equilibrium for Sparse-view CT Reconstruction
• Title（参考訳）: DICE-Diffusion Consensus Equilibriumによるスパルス・ビューCT再建
• Authors: Leon Suarez-Rodriguez, Roman Jacome, Romario Gualdron-Hurtado, Ana Mantilla-Dulcey, Henry Arguello,
• Abstract要約: Diffusion Consensus Equilibrium (DICE) は拡散モデルのサンプリングプロセスに2エージェントのコンセンサス平衡を統合するフレームワークである。 実験の結果,DICEは高画質CT画像の再構成において最先端のベースラインを著しく上回ることがわかった。
• 参考スコア（独自算出の注目度）: 21.54811740074962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sparse-view computed tomography (CT) reconstruction is fundamentally challenging due to undersampling, leading to an ill-posed inverse problem. Traditional iterative methods incorporate handcrafted or learned priors to regularize the solution but struggle to capture the complex structures present in medical images. In contrast, diffusion models (DMs) have recently emerged as powerful generative priors that can accurately model complex image distributions. In this work, we introduce Diffusion Consensus Equilibrium (DICE), a framework that integrates a two-agent consensus equilibrium into the sampling process of a DM. DICE alternates between: (i) a data-consistency agent, implemented through a proximal operator enforcing measurement consistency, and (ii) a prior agent, realized by a DM performing a clean image estimation at each sampling step. By balancing these two complementary agents iteratively, DICE effectively combines strong generative prior capabilities with measurement consistency. Experimental results show that DICE significantly outperforms state-of-the-art baselines in reconstructing high-quality CT images under uniform and non-uniform sparse-view settings of 15, 30, and 60 views (out of a total of 180), demonstrating both its effectiveness and robustness.
• 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) の再建は, アンダーサンプリングにより根本的に困難であり, 逆問題となる。 従来の反復的手法では、手工芸や学習前の手法を取り入れてソリューションを標準化するが、医療画像に存在する複雑な構造を捉えるのに苦労する。 対照的に拡散モデル(DM)は、複雑な画像分布を正確にモデル化できる強力な生成前駆体として最近登場した。 本稿では,DMのサンプリングプロセスに2エージェントのコンセンサス平衡を統合するフレームワークであるDICEを紹介する。 DICEは次の2つを交互に扱う。 i) 測定整合性を強制する近位演算子によって実施されるデータ整合性エージェント 2)各サンプリングステップでクリーンな画像推定を行うDMにより実現された先行エージェント。 これら2つの相補的エージェントを反復的にバランスさせることで、DICEは強力な生成前の能力と測定一貫性を効果的に組み合わせる。 実験の結果,DICEは高画質CT画像の均一かつ一様でないスパースビュー設定(180点中15点,30点,60点)において,高画質CT画像の再構成において,最先端のベースラインを著しく上回り,その有効性とロバスト性を示した。

関連論文リスト

• Semi-supervised Image Dehazing via Expectation-Maximization and Bidirectional Brownian Bridge Diffusion Models [29.360740391829935]
  既存のデハジング手法は、特に濃厚なヘイズシーンの難易度で現実世界のヘイズ画像を扱う。 本稿では,2段階学習方式による予測最大化と双方向ブラウン橋拡散モデル(EM-B3DM)を用いた半教師付き画像デハージング手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T02:33:44Z)
• Residual-based Efficient Bidirectional Diffusion Model for Image Dehazing and Haze Generation [17.043633726365233]
  現在のディープデヘイズ法は、ヘイズフリー画像とヘイズフリー画像の翻訳能力に欠け、ヘイズ画像からヘイズを除去することのみに焦点を当てている。 本研究では, 残差に基づく効率的な双方向拡散モデル (RBDM) を提案し, 脱ハジングとヘイズ生成の両方の条件分布をモデル化する。 RBDMは,15ステップのサンプリングで,ヘイズフリー画像とヘイズ画像の双方向化を実現することに成功した。
  論文  参考訳（メタデータ） (2025-08-15T01:00:15Z)
• StableMotion: Repurposing Diffusion-Based Image Priors for Motion Estimation [35.78687900267786]
  本稿では,画像修正作業における動作推定を行う新しいフレームワークであるStableMotionを紹介する。 StableMotionは2つの画像修正タスクで検証され、どちらも最先端のパフォーマンスを提供する。 SSDがサポートしているStableMotionは、これまでの拡散モデルベースの方法に比べて200倍のスピードアップを提供する。
  論文  参考訳（メタデータ） (2025-05-10T14:58:44Z)
• Adaptive Mix for Semi-Supervised Medical Image Segmentation [22.69909762038458]
  Mix-upは、整合正則化に基づく半教師あり学習手法の鍵となる技術である。 本稿では,画像混合のための適応混合アルゴリズム(AdaMix)を提案する。
  論文  参考訳（メタデータ） (2024-07-31T13:19:39Z)
• Distilling Diffusion Models into Conditional GANs [90.76040478677609]
  複雑な多段階拡散モデルを1段階条件付きGAN学生モデルに蒸留する。 E-LatentLPIPSは,拡散モデルの潜在空間で直接動作する知覚的損失である。 我々は, 最先端の1ステップ拡散蒸留モデルよりも優れた1ステップ発生器を実証した。
  論文  参考訳（メタデータ） (2024-05-09T17:59:40Z)
• BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
  BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。 合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-03-15T11:21:34Z)
• 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)
• Persistently Trained, Diffusion-assisted Energy-based Models [18.135784288023928]
  我々は,拡散データを導入し,持続的トレーニングを通じて拡散補助EBMと呼ばれる共同ESMを学習する。 持続的に訓練されたESMは、長期安定、訓練後の画像生成、配当検出の精度の向上を同時に達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-21T02:29:18Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)

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。