論文の概要: Likelihood-Separable Diffusion Inference for Multi-Image MRI Super-Resolution

• arxiv url: http://arxiv.org/abs/2601.14030v1
• Date: Tue, 20 Jan 2026 14:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.360137
• Title: Likelihood-Separable Diffusion Inference for Multi-Image MRI Super-Resolution
• Title（参考訳）: マルチイメージMRIによる超解像の自己分離型拡散推定
• Authors: Samuel W. Remedios, Zhangxing Bian, Shuwen Wei, Aaron Carass, Jerry L. Prince, Blake E. Dewey,
• Abstract要約: 我々は,Multi-image Super- resolution (MISR) MRIのための拡散型逆単像問題の解法を一般化する。 DPSの精度補正により、独立に取得した測定値間で正確に分離可能な勾配分解が可能であることを示す。 以上の結果から, 異方性MRIボリュームの高分解能化が達成され, 日常的な2次元マルチスライス取得によるほぼ異方性解剖の再構築が可能となった。
• 参考スコア（独自算出の注目度）: 3.3307176205207383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models are the current state-of-the-art for solving inverse problems in imaging. Their impressive generative capability allows them to approximate sampling from a prior distribution, which alongside a known likelihood function permits posterior sampling without retraining the model. While recent methods have made strides in advancing the accuracy of posterior sampling, the majority focuses on single-image inverse problems. However, for modalities such as magnetic resonance imaging (MRI), it is common to acquire multiple complementary measurements, each low-resolution along a different axis. In this work, we generalize common diffusion-based inverse single-image problem solvers for multi-image super-resolution (MISR) MRI. We show that the DPS likelihood correction allows an exactly-separable gradient decomposition across independently acquired measurements, enabling MISR without constructing a joint operator, modifying the diffusion model, or increasing network function evaluations. We derive MISR versions of DPS, DMAP, DPPS, and diffusion-based PnP/ADMM, and demonstrate substantial gains over SISR across $4\times/8\times/16\times$ anisotropic degradations. Our results achieve state-of-the-art super-resolution of anisotropic MRI volumes and, critically, enable reconstruction of near-isotropic anatomy from routine 2D multi-slice acquisitions, which are otherwise highly degraded in orthogonal views.
• Abstract（参考訳）: 拡散モデルは、イメージングにおける逆問題を解決するための現在の最先端技術である。 その印象的な生成能力により、事前分布からのサンプリングを近似することができ、既知の可能性関数と並行して、モデルを再訓練することなく後部サンプリングが可能である。 近年の手法では, 後方サンプリングの精度向上が進んでいるが, 多くの場合, 単画像逆問題に焦点が当てられている。 しかし、MRI(MRI)のようなモダリティでは、異なる軸に沿った低分解能の複数の相補的な測定値を取得することが一般的である。 本研究では,Multi-image Super- resolution (MISR) MRIのための拡散型逆単像問題解法を一般化する。 DPSの精度補正は、独立に取得した測定値間で正確に分離可能な勾配分解を可能にし、MISRをジョイント演算子を構築することなく実現し、拡散モデルを変更したり、ネットワーク関数の評価を増加させたりすることができることを示す。 DPS, DMAP, DPPS, 拡散型PnP/ADMMのMISRバージョンを導出し, 4-times/8-times/16-times$異方性劣化に対するSISRの顕著な増加を示した。 以上の結果から, 異方性MRIボリュームの超解像が得られ, また, 直交視で高度に劣化している通常の2次元マルチスライス取得から, ほぼ異方性解剖の再構築が可能となった。

関連論文リスト

• Residual Diffusion Bridge Model for Image Restoration [57.31163715170476]
  拡散ブリッジモデルは任意のペア分布間の確率パスを確立する。 既存のほとんどの手法は単にそれらを補間剤の単純な変種として扱い、統一的な分析的視点を欠いている。 これらの課題に対処するために,Residual Diffusion Bridge Model (RDBM)を提案する。
  論文  参考訳（メタデータ） (2025-10-27T08:35:49Z)
• Reverse Imaging for Wide-spectrum Generalization of Cardiac MRI Segmentation [9.902164293005917]
  リバースイメージング(Reverse Imaging)は、心臓MRIデータ拡張とドメイン適応のための物理駆動型手法である。 心臓MRI画像から根底にあるスピン特性を逆転させる手法を提案する。 Reverse Imagingは画像のコントラストや画像のプロトコールの精度が高いセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-08-28T22:55:15Z)
• LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [4.499605583818247]
  拡散モデルを用いてMRI再構成を解こうとする研究もあるが、これらの手法はピクセル空間で直接動作する。 リッチな視覚的背景を持つ自然画像に事前学習した潜時拡散モデルでは,MRI再構成における高い計算コストの問題を解くことが期待されている。 LDPM法(Latent Diffusion Prior-based Undersampled MRI reconstruction)を提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:51:59Z)
• pcaGAN: Improving Posterior-Sampling cGANs via Principal Component Regularization [11.393603788068777]
  画像逆問題では、観測された測定値と真の画像の事前知識の両方に適合する仮説が多数存在する。 本稿では, 高速かつ高精度な後サンプリング条件生成対向ネットワーク (cGAN) を提案する。
  論文  参考訳（メタデータ） (2024-11-01T14:09:28Z)
• Self-Consistent Recursive Diffusion Bridge for Medical Image Translation [6.850683267295248]
  ディノイング拡散モデル (DDM) は, 対向モデルよりも訓練安定性が向上し, 医用画像翻訳において近年注目を集めている。 医用画像翻訳の性能向上を目的とした自己整合反復拡散橋(SelfRDB)を提案する。 マルチコントラストMRIおよびMRI-CT翻訳における包括的解析は、SelfRDBが競合する手法に対して優れた性能を提供することを示している。
  論文  参考訳（メタデータ） (2024-05-10T19:39:55Z)
• vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
  vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。 データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。 我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-09-18T17:26:22Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。