論文の概要: Cycle Diffusion Model for Counterfactual Image Generation

• arxiv url: http://arxiv.org/abs/2509.24267v1
• Date: Mon, 29 Sep 2025 04:24:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.743786
• Title: Cycle Diffusion Model for Counterfactual Image Generation
• Title（参考訳）: 実測画像生成のためのサイクル拡散モデル
• Authors: Fangrui Huang, Alan Wang, Binxu Li, Bailey Trang, Ridvan Yesiloglu, Tianyu Hua, Wei Peng, Ehsan Adeli,
• Abstract要約: サイクル拡散モデル(CDM)は生成された画像と元の画像の一貫性を強制する。 コンディショニングの精度を向上し、FIDとSSIMで測定した画質を向上させる。
• 参考スコア（独自算出の注目度）: 10.271625171510566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models have demonstrated remarkable success in medical image synthesis. However, ensuring conditioning faithfulness and high-quality synthetic images for direct or counterfactual generation remains a challenge. In this work, we introduce a cycle training framework to fine-tune diffusion models for improved conditioning adherence and enhanced synthetic image realism. Our approach, Cycle Diffusion Model (CDM), enforces consistency between generated and original images by incorporating cycle constraints, enabling more reliable direct and counterfactual generation. Experiments on a combined 3D brain MRI dataset (from ABCD, HCP aging & young adults, ADNI, and PPMI) show that our method improves conditioning accuracy and enhances image quality as measured by FID and SSIM. The results suggest that the cycle strategy used in CDM can be an effective method for refining diffusion-based medical image generation, with applications in data augmentation, counterfactual, and disease progression modeling.
• Abstract（参考訳）: 深部生成モデルは、医用画像合成において顕著な成功を収めた。 しかし、直接的・反実的生成のための忠実さと高品質な合成画像の確保は依然として課題である。 本研究では,条件付きアテンデンスの改善と合成画像リアリズム向上のための微調整拡散モデルに対するサイクルトレーニングフレームワークを提案する。 提案手法であるCycle Diffusion Model (CDM) は,サイクル制約を組み込むことで生成画像とオリジナル画像の整合性を向上し,より信頼性の高い直接および対実生成を実現する。 ABCD, HCP, 若年者, ADNI, PPMIの3次元脳MRIデータセットを用いた実験により, 条件付け精度の向上とFIDおよびSSIMによる画像品質の向上が得られた。 以上の結果から,CDM のサイクル戦略は拡散型医用画像生成に有効な手法であり,データ拡張,逆ファクトリアル,疾患進行モデリングなどに応用できる可能性が示唆された。

関連論文リスト

• Perceptual Evaluation of GANs and Diffusion Models for Generating X-rays [0.7578439720012189]
  生成画像モデルは、自然画像と医療画像の両方において顕著な進歩を遂げている。 4つの異常を条件に胸部X線を合成するための最先端生成モデル-GAN(Generative Adversarial Networks)と拡散モデル(Diffusion Models)の有効性を評価する。
  論文  参考訳（メタデータ） (2025-08-10T00:32:18Z)
• Temporal Neural Cellular Automata: Application to modeling of contrast enhancement in breast MRI [4.181984443200153]
  合成コントラスト増強は、高速な画像取得を可能にし、コントラスト剤の静脈内注入を不要にする。 最近の研究は、合成コントラスト生成の可能性を示している。 現在のSOTA(State-of-the-art)法は、一貫した時間的進化のための十分な尺度を欠いている。 我々は,NACを拡張・改良し,時間的に疎い非均一な画像データを効果的にモデル化するTeNCAを紹介した。
  論文  参考訳（メタデータ） (2025-06-23T14:56:45Z)
• 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)
• Ambient Denoising Diffusion Generative Adversarial Networks for Establishing Stochastic Object Models from Noisy Image Data [4.069144210024564]
  本稿では,ノイズの多い画像データから現実的なSOMを学習するための拡張DDGANアーキテクチャであるADDGANを提案する。 雑音の多い画像データから現実的なSOMを学習する能力を示す。
  論文  参考訳（メタデータ） (2025-01-31T12:40:43Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Meissonic: Revitalizing Masked Generative Transformers for Efficient High-Resolution Text-to-Image Synthesis [62.57727062920458]
  本稿では,非自己回帰型マスク画像モデリング(MIM)をSDXLのような最先端拡散モデルに匹敵するレベルまで高めるMeissonicを提案する。 高品質なトレーニングデータを活用し、人間の嗜好スコアから得られるマイクロ条件を統合し、特徴圧縮層を用いる。 我々のモデルは、高画質の高精細画像を生成する際に、SDXLのような既存のモデルに適合するだけでなく、しばしば性能を上回ります。
  論文  参考訳（メタデータ） (2024-10-10T17:59:17Z)
• Cross-conditioned Diffusion Model for Medical Image to Image Translation [22.020931436223204]
  医用画像から画像への変換のためのクロスコンディショニング拡散モデル(CDM)を提案する。 まず、目的のモダリティの分布をモデル化するためのモダリティ固有表現モデル(MRM)を提案する。 そして、MDN(Modality-Decoupled Diffusion Network)を設計し、MRMから効率よく効果的に分布を学習する。
  論文  参考訳（メタデータ） (2024-09-13T02:48:56Z)
• 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)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)

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。