論文の概要: DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction

• arxiv url: http://arxiv.org/abs/2602.18589v1
• Date: Fri, 20 Feb 2026 19:54:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.180611
• Title: DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction
• Title（参考訳）: DM4CT:CT画像再構成のためのベンチマーク拡散モデル
• Authors: Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg,
• Abstract要約: DM4CTは断層画像再構成のための総合的なベンチマークである。 我々は、モデルベース、教師なし、教師なしのアプローチを含む7つの強力なベースラインと共に、最近の拡散に基づく10の手法をベンチマークする。 本分析はCT再建における拡散モデルの挙動,強度,限界に関する詳細な知見を提供する。
• 参考スコア（独自算出の注目度）: 0.8921166277011348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have recently emerged as powerful priors for solving inverse problems. While computed tomography (CT) is theoretically a linear inverse problem, it poses many practical challenges. These include correlated noise, artifact structures, reliance on system geometry, and misaligned value ranges, which make the direct application of diffusion models more difficult than in domains like natural image generation. To systematically evaluate how diffusion models perform in this context and compare them with established reconstruction methods, we introduce DM4CT, a comprehensive benchmark for CT reconstruction. DM4CT includes datasets from both medical and industrial domains with sparse-view and noisy configurations. To explore the challenges of deploying diffusion models in practice, we additionally acquire a high-resolution CT dataset at a high-energy synchrotron facility and evaluate all methods under real experimental conditions. We benchmark ten recent diffusion-based methods alongside seven strong baselines, including model-based, unsupervised, and supervised approaches. Our analysis provides detailed insights into the behavior, strengths, and limitations of diffusion models for CT reconstruction. The real-world dataset is publicly available at zenodo.org/records/15420527, and the codebase is open-sourced at github.com/DM4CT/DM4CT.
• Abstract（参考訳）: 拡散モデルは近年、逆問題解決の強力な先駆者として出現している。 CT(Computerd tomography)は理論的には線形逆問題であるが,現実的な課題も多い。 これらには相関ノイズ、アーチファクト構造、システム幾何学への依存、不整合値範囲が含まれており、自然画像生成のような領域よりも拡散モデルの直接適用が困難である。 この文脈で拡散モデルがどのように機能するかを体系的に評価し、それらを確立された再構成法と比較するために、CT再構成のための総合的なベンチマークであるDM4CTを導入する。 DM4CTには、スパースビューとノイズのある構成を持つ医療ドメインと産業ドメインの両方からのデータセットが含まれている。 拡散モデルを実際に展開する際の課題を探るため,高エネルギーシンクロトロン施設で高分解能CTデータセットを取得し,実実験条件下ですべての手法を評価する。 我々は、モデルベース、教師なし、教師なしのアプローチを含む7つの強力なベースラインと共に、最近の拡散に基づく10の手法をベンチマークする。 本分析はCT再建における拡散モデルの挙動,強度,限界に関する詳細な知見を提供する。 実際のデータセットはzenodo.org/records/15420527で公開されており、コードベースはgithub.com/DM4CT/DM4CTでオープンソース化されている。

関連論文リスト

• Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction [5.107409624991683]
  Tunable-geneRalizatioN Diffusion (TurnDiff) は低用量CT再構成のための自己教師付き文脈データを用いている。 TurnDiffは、再構築と一般化の両方において、最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-28T13:50:29Z)
• Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
  本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。 Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-24T01:00:06Z)
• Noise-Inspired Diffusion Model for Generalizable Low-Dose CT Reconstruction [37.71732274622662]
  そこで本研究では,各領域の雑音特性に対する拡散モデルの調整を行うNEEDと呼ばれる,一般化可能な低線量CT再構成のためのノイズインスピレーション拡散モデルを提案する。 これら2つの拡散モデルを二重ドメイン再構成のためにカスケードすることで、NEEDはトレーニングに通常用量データしか必要とせず、テスト中に様々な未確認量レベルに効果的に拡張できる。
  論文  参考訳（メタデータ） (2025-06-27T08:24:55Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• 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)

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。