論文の概要: TAT: Task-Adaptive Transformer for All-in-One Medical Image Restoration

• arxiv url: http://arxiv.org/abs/2512.14550v1
• Date: Tue, 16 Dec 2025 16:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.785198
• Title: TAT: Task-Adaptive Transformer for All-in-One Medical Image Restoration
• Title（参考訳）: TAT:オールインワン医療画像復元のためのタスク適応変換器
• Authors: Zhiwen Yang, Jiaju Zhang, Yang Yi, Jian Liang, Bingzheng Wei, Yan Xu,
• Abstract要約: 医用画像復元は,高品質な医用画像から高品質な医用画像を取り戻すことを目的としている。 MedIRの最近の進歩は、複数の異なるMedIRタスクに同時に対処できるオールインワンモデルに焦点を当てている。 本稿では,タスク適応型トランスフォーマー(TAT)を提案する。
• 参考スコア（独自算出の注目度）: 19.416689819703503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image restoration (MedIR) aims to recover high-quality medical images from their low-quality counterparts. Recent advancements in MedIR have focused on All-in-One models capable of simultaneously addressing multiple different MedIR tasks. However, due to significant differences in both modality and degradation types, using a shared model for these diverse tasks requires careful consideration of two critical inter-task relationships: task interference, which occurs when conflicting gradient update directions arise across tasks on the same parameter, and task imbalance, which refers to uneven optimization caused by varying learning difficulties inherent to each task. To address these challenges, we propose a task-adaptive Transformer (TAT), a novel framework that dynamically adapts to different tasks through two key innovations. First, a task-adaptive weight generation strategy is introduced to mitigate task interference by generating task-specific weight parameters for each task, thereby eliminating potential gradient conflicts on shared weight parameters. Second, a task-adaptive loss balancing strategy is introduced to dynamically adjust loss weights based on task-specific learning difficulties, preventing task domination or undertraining. Extensive experiments demonstrate that our proposed TAT achieves state-of-the-art performance in three MedIR tasks--PET synthesis, CT denoising, and MRI super-resolution--both in task-specific and All-in-One settings. Code is available at https://github.com/Yaziwel/TAT.
• Abstract（参考訳）: 医用画像復元(MedIR)は、高品質な医用画像から高品質な医用画像を取り戻すことを目的としている。 MedIRの最近の進歩は、複数の異なるMedIRタスクに同時に対処できるオールインワンモデルに焦点を当てている。 しかし,モーダリティと劣化の両タイプに大きな違いがあるため,これらのタスクに共通するモデルを用いることで,タスク間の関係を慎重に考慮する必要がある。 これらの課題に対処するため,タスク適応型トランスフォーマー (TAT) を提案する。 まず、タスク固有の重みパラメータを生成してタスク干渉を軽減するために、タスク適応重み生成戦略を導入し、共有重みパラメータの潜在的な勾配競合を解消する。 第2に、タスク固有の学習困難に基づいて損失重みを動的に調整し、タスク支配を防ぎ、または訓練するタスク適応型損失バランス戦略を導入する。 今回提案したTATは,3つのMedIRタスク(PET合成,CTデノイング,MRIスーパーレゾリューション)において,タスク固有の設定とオールインワン設定の両方で,最先端のパフォーマンスを実現することを実証した。 コードはhttps://github.com/Yaziwel/TAT.comで入手できる。

関連論文リスト

• MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
  手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。 タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。 タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-16T09:48:52Z)
• All-in-One Medical Image Restoration with Latent Diffusion-Enhanced Vector-Quantized Codebook Prior [7.105567318325672]
  オールインワン医療画像復元(MedIR)は、統一モデルを用いて複数のMedIRタスクに対処することを目的としている。 DiffCodeは、遅延拡散強化ベクター量子化コードブックを利用する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-07-26T09:04:14Z)
• Controlled Data Rebalancing in Multi-Task Learning for Real-World Image Super-Resolution [51.79973519845773]
  実世界の画像超解像(Real-SR)は、低解像度画像の複雑な劣化パターンのために難しい問題である。 本稿では,データヘテロジニアスなマルチタスク学習問題としてReal-SRの枠組みを改良したパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-05T21:40:21Z)
• Balancing Task-invariant Interaction and Task-specific Adaptation for Unified Image Fusion [82.74585945197231]
  統合画像融合は、マルチソース画像からの補完情報を統合し、画質を向上させることを目的としている。 既存の一般画像融合法では、異なる融合タスクへの適応を可能にする明示的なタスク識別が組み込まれている。 本稿では,タスク不変相互作用とタスク固有適応のバランスをとる,新たな統合画像融合フレームワーク「TITA」を提案する。
  論文  参考訳（メタデータ） (2025-04-07T15:08:35Z)
• Task-Aware Harmony Multi-Task Decision Transformer for Offline Reinforcement Learning [70.96345405979179]
  オフラインマルチタスク強化学習(MTRL)の目的は、オンライン環境相互作用を必要とせず、多様なタスクに適用可能な統一されたポリシーを開発することである。 タスクの内容と複雑さの変化は、政策の定式化において重大な課題を引き起こします。 本稿では,各タスクに対するパラメータの最適な調和部分空間を特定するための新しいソリューションであるHarmoDT(Harmony Multi-Task Decision Transformer)を紹介する。
  論文  参考訳（メタデータ） (2024-11-02T05:49:14Z)
• AdapMTL: Adaptive Pruning Framework for Multitask Learning Model [5.643658120200373]
  AdapMTLはマルチタスクモデルのための適応型プルーニングフレームワークである。 複数のタスクにまたがって、空間割り当てと精度のパフォーマンスのバランスをとる。 最先端の刈り取り法に比べて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-07T17:19:15Z)
• All-In-One Medical Image Restoration via Task-Adaptive Routing [15.251572254628778]
  我々は、単一のユニバーサルモデルで複数の異なるMedIRタスクに対処することを目的とした、オールインワンの医療画像復元の課題に焦点を当てた。 本稿では,タスク適応型ルーティング戦略を提案する。 提案するtextbfAll-in-one textbfMedical textbfImage textbfRestoration (textbfAMIR) ネットワークは、3つのMedIRタスクで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-05-30T07:34:05Z)
• Conflict-Averse Gradient Descent for Multi-task Learning [56.379937772617]
  マルチタスクモデルを最適化する際の大きな課題は、矛盾する勾配である。 本稿では、平均損失関数を最小化する衝突-逆勾配降下(CAGrad)を導入する。 CAGradは目標を自動的にバランスし、平均損失よりも最小限に確実に収束する。
  論文  参考訳（メタデータ） (2021-10-26T22:03:51Z)
• HydaLearn: Highly Dynamic Task Weighting for Multi-task Learning with Auxiliary Tasks [4.095907708855597]
  マルチタスク学習(MTL)は、1つ以上の関連する補助タスクと表現を共有することでタスクのパフォーマンスを向上させることができる。 通常、MTL-networksは、個別のタスク損失の一定の重み付けによる複合損失関数に基づいて訓練される。 実際には, 一定損失重みは, (i) ミニバッチに基づく最適化において, 最適タスク重みは, ミニバッチのサンプル組成に応じて, 更新から次へと大きく変化する。 メインタスクのゲインを個別のタスク勾配に結びつけるインテリジェントな重み付けアルゴリズムであるHydaLearnを導入して,その情報を伝達する。
  論文  参考訳（メタデータ） (2020-08-26T16:04:02Z)

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。