論文の概要: MAN: Latent Diffusion Enhanced Multistage Anti-Noise Network for Efficient and High-Quality Low-Dose CT Image Denoising

• arxiv url: http://arxiv.org/abs/2509.23603v1
• Date: Sun, 28 Sep 2025 03:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.319776
• Title: MAN: Latent Diffusion Enhanced Multistage Anti-Noise Network for Efficient and High-Quality Low-Dose CT Image Denoising
• Title（参考訳）: MAN:高効率高画質CT画像デノイングのための遅延拡散強化マルチステージアンチノイズネットワーク
• Authors: Tangtangfang Fang, Jingxi Hu, Xiangjian He, Jiaqi Yang,
• Abstract要約: 本稿では,高画質低線量CT画像復調作業のための遅延拡散増強型マルチステージアンチノイズネットワークMANについて紹介する。 提案手法は、知覚的に最適化されたオートエンコーダを介して圧縮された潜在空間で動作する。 本研究は,医用画像の先進的生成モデルに向けた実践的な道筋を示すものである。
• 参考スコア（独自算出の注目度）: 8.912550844312177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While diffusion models have set a new benchmark for quality in Low-Dose Computed Tomography (LDCT) denoising, their clinical adoption is critically hindered by extreme computational costs, with inference times often exceeding thousands of seconds per scan. To overcome this barrier, we introduce MAN, a Latent Diffusion Enhanced Multistage Anti-Noise Network for Efficient and High-Quality Low-Dose CT Image Denoising task. Our method operates in a compressed latent space via a perceptually-optimized autoencoder, enabling an attention-based conditional U-Net to perform the fast, deterministic conditional denoising diffusion process with drastically reduced overhead. On the LDCT and Projection dataset, our model achieves superior perceptual quality, surpassing CNN/GAN-based methods while rivaling the reconstruction fidelity of computationally heavy diffusion models like DDPM and Dn-Dp. Most critically, in the inference stage, our model is over 60x faster than representative pixel space diffusion denoisers, while remaining competitive on PSNR/SSIM scores. By bridging the gap between high fidelity and clinical viability, our work demonstrates a practical path forward for advanced generative models in medical imaging.
• Abstract（参考訳）: 拡散モデルは低線量CT(LDCT)における新しい品質評価基準を定めているが、その臨床応用は極端な計算コストによって著しく妨げられ、1スキャンあたり数千秒以上の推論時間が課せられる。 この障壁を克服するため,高画質低線量CT画像復調作業のための遅延拡散増強型マルチステージアンチノイズネットワークMANを導入する。 提案手法は、知覚的に最適化されたオートエンコーダを介して圧縮された潜在空間で動作し、注意に基づく条件付きU-Netにより、オーバーヘッドを大幅に削減した高速で決定論的条件付きデノナイジング拡散処理を行うことができる。 LDCT と Projection のデータセットでは,DDPM や Dn-Dp などの計算重拡散モデルの再構成忠実度に対抗しながら,CNN/GAN ベースの手法よりも優れた知覚品質を実現している。 最も重要なことは、推論段階では、我々のモデルは、PSNR/SSIMスコアで競争力を維持しながら、代表画素空間拡散デノイザよりも60倍以上高速である。 本研究は,高忠実度と臨床生存率のギャップを埋めることによって,医用画像の高度な生成モデルの実現に向けての実践的な道筋を示すものである。

関連論文リスト

• AST-n: A Fast Sampling Approach for Low-Dose CT Reconstruction using Diffusion Models [0.0]
  AST-nは、中間雑音レベルからの逆拡散を開始する加速推論フレームワークである。 25ステップしか使用しない条件付きモデル(AST-25)は38dB以上のピーク信号対雑音比(PSNR)を達成する。 高次サンプリング器を持つAST-nは、画像の忠実度を著しく損なうことなく、高速LDCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-08-13T16:57:49Z)
• Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
  本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。 CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
  論文  参考訳（メタデータ） (2025-05-19T14:13:14Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
  本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。 拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
  論文  参考訳（メタデータ） (2024-10-25T03:42:35Z)
• DenoMamba: A fused state-space model for low-dose CT denoising [6.468495781611433]
  低線量CT(LDCT)は放射線曝露に伴う潜在的なリスクを低くする。 LDCT denoisingは、基礎となる組織信号からの線量減少によって引き起こされるノイズを分離するために、データ駆動画像の事前学習を行うニューラルネットワークモデルに基づいている。 DenoMambaは、状態空間モデリング(SSM)に基づく、医療画像の短距離および長距離コンテキストを効率的にキャプチャする新しいデノナイジング手法である。
  論文  参考訳（メタデータ） (2024-09-19T21:32:07Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
  ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。 本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。 提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
  論文  参考訳（メタデータ） (2023-02-08T19:38:59Z)
• Low-Dose CT Using Denoising Diffusion Probabilistic Model for 20$\times$ Speedup [8.768546646716771]
  本研究では,条件付き拡散確率モデル (DDPM) を導入し,高い計算効率で良好な結果を示す。 DDPMは画像品質を損なうことなく20倍のスピードアップを達成できることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2022-09-29T23:35:41Z)

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。