Fugu-MT 論文翻訳(概要): Physics-Guided Diffusion Priors for Multi-Slice Reconstruction in Scientific Imaging

論文の概要: Physics-Guided Diffusion Priors for Multi-Slice Reconstruction in Scientific Imaging

arxiv url: http://arxiv.org/abs/2512.06977v1
Date: Sun, 07 Dec 2025 20:07:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-09 22:03:54.613889
Title: Physics-Guided Diffusion Priors for Multi-Slice Reconstruction in Scientific Imaging
Title（参考訳）: マルチスライス再構成のための物理誘導拡散前駆体
Authors: Laurentius Valdy, Richard D. Paul, Alessio Quercia, Zhuo Cao, Xuan Zhao, Hanno Scharr, Arya Bangun,
Abstract要約: 本稿では,分割拡散前の制約と物理に基づく制約を統合するフレームワークを提案する。これにより、高い再構成品質を維持しながら、GPU当たりのメモリ使用量を大幅に削減できる。提案手法は,分布内精度を向上し,分布外データセットへの強い一般化を実現する。
参考スコア（独自算出の注目度）: 2.871453899831962
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate multi-slice reconstruction from limited measurement data is crucial to speed up the acquisition process in medical and scientific imaging. However, it remains challenging due to the ill-posed nature of the problem and the high computational and memory demands. We propose a framework that addresses these challenges by integrating partitioned diffusion priors with physics-based constraints. By doing so, we substantially reduce memory usage per GPU while preserving high reconstruction quality, outperforming both physics-only and full multi-slice reconstruction baselines for different modalities, namely Magnetic Resonance Imaging (MRI) and four-dimensional Scanning Transmission Electron Microscopy (4D-STEM). Additionally, we show that the proposed method improves in-distribution accuracy as well as strong generalization to out-of-distribution datasets.
Abstract（参考訳）: 医療・科学画像の取得過程を高速化するためには,限られた測定データからの正確なマルチスライス再構成が重要である。しかし、問題の性質の悪さと高い計算量とメモリ要求のため、これは依然として困難である。本稿では,分割拡散先行を物理に基づく制約と統合することにより,これらの課題に対処する枠組みを提案する。これにより、高い再構成品質を維持しつつ、GPU当たりのメモリ使用量を大幅に削減し、物理のみおよび完全なマルチスライス再構築ベースライン(MRI)と4次元走査透過電子顕微鏡(4D-STEM)の両方で性能を向上する。さらに, 提案手法は, 分布内精度を向上し, 分布外データセットへの強い一般化を実現する。

関連論文リスト

Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
論文参考訳（メタデータ） (2025-09-11T23:12:55Z)
Low-Rank Augmented Implicit Neural Representation for Unsupervised High-Dimensional Quantitative MRI Reconstruction [9.757306418140987]
高速3次元MP-qMRI再構成のための,教師なし,二元的統合フレームワークであるLoREINを提案する。 LoREINは、それぞれ低ランク表現(LRR)と暗黙の神経表現(INR)を介して、低ランク前と連続性の両方を取り入れ、再構成の忠実性を高める。本研究は、複雑な時間的・高次元画像再構成タスクにおいて、幅広い可能性を持つゼロショット学習パラダイムを導入する。
論文参考訳（メタデータ） (2025-06-10T15:02:09Z)
Meta-learning Slice-to-Volume Reconstruction in Fetal Brain MRI using Implicit Neural Representations [9.749932662063992]
複数の運動崩壊した低分解能2Dスライスからの高分解能スライス・ツー・ボリューム再構成(SVR)は、移動物体の画像ベース診断において重要なステップである。既存のソリューションは、画像のアーティファクトや厳しい被写体の動きに苦しむか、あるいは、満足な再現性能を達成するためにスライス事前調整を必要とする。本稿では,重度画像や動作不良の場合にも,高速かつ正確なMRI再構成を可能にする新しいSVR法を提案する。
論文参考訳（メタデータ） (2025-05-14T17:07:37Z)
StoDIP: Efficient 3D MRF image reconstruction with deep image priors and stochastic iterations [3.4453266252081645]
StoDIPは, 3次元MRFイメージングに基いて, 地上構造のないDeep Image Prior (DIP) 再構成を拡張した新しいアルゴリズムである。健康なボランティアの脳全体をスキャンしたデータセットで、StoDIPは、質的にも質的にも、地道な再建ベースラインよりも優れたパフォーマンスを示した。
論文参考訳（メタデータ） (2024-08-05T10:32:06Z)
MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation [16.63720411275398]
本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。提案手法は, ボクセル特有の特徴の事前知識を活用することにより, 限界を克服する。公開されているMRIデータセットを用いた実験は,提案手法の優れた性能を示す。
論文参考訳（メタデータ） (2023-09-12T09:07:03Z)
Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文参考訳（メタデータ） (2022-09-15T03:58:30Z)
Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
論文参考訳（メタデータ） (2022-03-29T07:56:55Z)
Recurrent Variational Network: A Deep Learning Inverse Problem Solver applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。 RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
論文参考訳（メタデータ） (2021-11-18T11:44:04Z)
Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文参考訳（メタデータ） (2021-04-05T13:05:22Z)

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。