論文の概要: DNA-Prior: Unsupervised Denoise Anything via Dual-Domain Prior

• arxiv url: http://arxiv.org/abs/2511.23124v1
• Date: Fri, 28 Nov 2025 12:15:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.887567
• Title: DNA-Prior: Unsupervised Denoise Anything via Dual-Domain Prior
• Title（参考訳）: DNA-Prior:Dual-Domainを前もって、教師なしのデノーズ
• Authors: Yanqi Cheng, Chun-Wun Cheng, Jim Denholm, Thiago Lima, Javier A. Montoya-Zegarra, Richard Goodwin, Carola-Bibiane Schönlieb, Angelica I Aviles-Rivero,
• Abstract要約: DNA-Priorは、汚染された観察からクリーンな画像を直接再構成する、普遍的な教師なしの認知フレームワークである。 種々のノイズ条件下でDNAが一貫したノイズ抑制と構造保存を実現することを示す。
• 参考スコア（独自算出の注目度）: 16.157485578881385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging pipelines critically rely on robust denoising to stabilise downstream tasks such as segmentation and reconstruction. However, many existing denoisers depend on large annotated datasets or supervised learning, which restricts their usability in clinical environments with heterogeneous modalities and limited ground-truth data. To address this limitation, we introduce DNA-Prior, a universal unsupervised denoising framework that reconstructs clean images directly from corrupted observations through a mathematically principled hybrid prior. DNA-Prior integrates (i) an implicit architectural prior, enforced through a deep network parameterisation, with (ii) an explicit spectral-spatial prior composed of a frequency-domain fidelity term and a spatial regularisation functional. This dual-domain formulation yields a well-structured optimisation problem that jointly preserves global frequency characteristics and local anatomical structure, without requiring any external training data or modality-specific tuning. Experiments across multiple modalities show that DNA achieves consistent noise suppression and structural preservation under diverse noise conditions.
• Abstract（参考訳）: 医療画像パイプラインは、セグメンテーションや再構成といった下流のタスクを安定化するために、頑丈な偏執に依存している。 しかし、既存の多くのデノイザは、大量の注釈付きデータセットや教師付き学習に依存しており、不均一なモダリティと限られた地道データを持つ臨床環境におけるそれらの使用性を制限している。 この制限に対処するために、DNA-Priorは、数学的に原理化されたハイブリッドにより、破損した観察からクリーンなイメージを直接再構築する、普遍的な教師なしのデノケーションフレームワークである。 DNA-Prior が結合する (i)深いネットワークパラメータ化によって実施される暗黙のアーキテクチャ上の先行 (II)周波数領域の忠実度項と空間正規化関数からなる明示的なスペクトル空間前駆体。 この二重領域の定式化は、外部のトレーニングデータやモダリティ固有のチューニングを必要とせず、大域的な周波数特性と局所解剖学的構造を共同で保存する、よく構造化された最適化問題をもたらす。 複数のモードにわたる実験により、DNAは様々なノイズ条件下で一貫したノイズ抑制と構造保存を達成することが示された。

関連論文リスト

• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• EndoIR: Degradation-Agnostic All-in-One Endoscopic Image Restoration via Noise-Aware Routing Diffusion [46.28090293978096]
  内視鏡画像はしばしば、低照度、煙、出血などの多彩で共起的な劣化に悩まされる。 既存の復元方法は一般にタスク固有であり、しばしば分解型の事前知識を必要とする。 単一モデルを用いて複数の劣化型を復元する,劣化非依存拡散に基づくフレームワークであるEndoIRを提案する。
  論文  参考訳（メタデータ） (2025-11-08T06:17:51Z)
• Blind-Spot Guided Diffusion for Self-supervised Real-World Denoising [55.099717395320276]
  Blind-Spot Guided Diffusionは、現実のイメージをデノナイズするための新しい自己教師型フレームワークである。 提案手法は,盲点ネットワーク(BSN)の限界と,自己教師型認知への拡散モデルの適用の難しさの2つに対処する。
  論文  参考訳（メタデータ） (2025-09-19T15:35:07Z)
• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Kernel spectral joint embeddings for high-dimensional noisy datasets using duo-landmark integral operators [9.782959684053631]
  本研究では、2つの独立に観測された高次元ノイズデータセットの結合埋め込みを実現する新しいカーネルスペクトル法を提案する。 得られた低次元埋め込みは、同時クラスタリング、データの可視化、デノイングなど、多くの下流タスクに利用できる。
  論文  参考訳（メタデータ） (2024-05-20T18:29:36Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Noise Injection Node Regularization for Robust Learning [0.0]
  ノイズインジェクションノード規則化(NINR)は、トレーニング期間中に、構造化されたノイズをディープニューラルネットワーク(DNN)に注入する手法である。 本研究は、NINRの下で訓練されたフィードフォワードDNNに対する各種試験データ摂動に対するロバスト性を大幅に改善する理論的および実証的な証拠を示す。
  論文  参考訳（メタデータ） (2022-10-27T20:51:15Z)

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。