論文の概要: ReCo-Diff: Residual-Conditioned Deterministic Sampling for Cold Diffusion in Sparse-View CT

• arxiv url: http://arxiv.org/abs/2603.02691v1
• Date: Tue, 03 Mar 2026 07:33:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.689274
• Title: ReCo-Diff: Residual-Conditioned Deterministic Sampling for Cold Diffusion in Sparse-View CT
• Title（参考訳）: ReCo-Diff: Sparse-View CTにおける冷拡散のための残留条件決定型サンプリング
• Authors: Yong Eun Choi, Hyoung Suk Park, Kiwan Jeon, Hyun-Cheol Park, Sung Ho Kang,
• Abstract要約: ReCo-Diffは残留状態の拡散フレームワークであり、残留状態の自己誘導サンプリングを通じて観測残差を利用する。 実験の結果, ReCo-Diff は既存の冷拡散サンプリングベースラインより一貫して優れていた。
• 参考スコア（独自算出の注目度）: 1.1573149737267483
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cold and generalized diffusion models have recently shown strong potential for sparse-view CT reconstruction by explicitly modeling deterministic degradation processes. However, existing sampling strategies often rely on ad hoc sampling controls or fixed schedules, which remain sensitive to error accumulation and sampling instability. We propose ReCo-Diff, a residual-conditioned diffusion framework that leverages observation residuals through residual-conditioned self-guided sampling. At each sampling step, ReCo-Diff first produces a null (unconditioned) baseline reconstruction and then conditions subsequent predictions on the observation residual between the predicted image and the measured sparse-view input. This residual-driven guidance provides continuous, measurement-aware correction while preserving a deterministic sampling schedule, without requiring heuristic interventions. Experimental results demonstrate that ReCo-Diff consistently outperforms existing cold diffusion sampling baselines, achieving higher reconstruction accuracy, improved stability, and enhanced robustness under severe sparsity.
• Abstract（参考訳）: 低温および一般化拡散モデルは, 決定論的劣化過程を明示的にモデル化することによって, スパースビューCT再構成の強い可能性を示している。 しかし、既存のサンプリング戦略は、しばしばアドホックサンプリング制御や固定スケジュールに依存し、エラーの蓄積やサンプリング不安定に敏感である。 ReCo-Diffは残余条件の自己誘導サンプリングにより観測残差を利用する残余条件拡散フレームワークである。 各サンプリングステップにおいて、ReCo-Diffはまずヌル(無条件)ベースライン再構成を生成し、その後、予測された画像と測定されたスパースビュー入力の間の観察残差について その後の予測を行う。 この残差駆動誘導は、ヒューリスティックな介入を必要とせず、決定論的サンプリングスケジュールを維持しながら、連続的かつ計測対応の補正を提供する。 実験結果から, ReCo-Diffは既存の冷拡散サンプリングベースラインを一貫して上回り, 再現精度の向上, 安定性の向上, 強度向上を実現している。

関連論文リスト

• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• PurSAMERE: Reliable Adversarial Purification via Sharpness-Aware Minimization of Expected Reconstruction Error [3.9306877728266425]
  本稿では, 対向ロバスト性を改善するための新しい決定論的浄化法を提案する。 提案手法は, 提案する再設計誤差を最小限に抑えるために, 周辺地域を探索する。 我々は, 強い決定論的ホワイトボックス攻撃下での最先端手法に対して, 対角的堅牢性が顕著に向上したことを示す。
  論文  参考訳（メタデータ） (2026-02-06T00:06:30Z)
• Predict-Project-Renoise: Sampling Diffusion Models under Hard Constraints [5.539946449743145]
  物理法則や観測整合性などの厳しい制約を世代毎に適用する制約付きサンプリングフレームワークを導入する。 提案手法では,制約条件を満たすサンプルの集合にのみ拡散する制約付き前方過程を定義し,制約付き辺縁分布を誘導する。 本稿では,制約された辺縁領域から,予測と予測を交互に行い,実現可能なセットに投影し,再現性のあるアルゴリズムであるPredict-Project-Renoise (PPR)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T20:50:19Z)
• Variance-Reduced Diffusion Sampling via Target Score Identity [0.0]
  クリーンな(ターゲット)スコアが利用可能か,あるいは近似可能な設定において,スコア推定と拡散に基づくサンプリングの分散化について検討した。 我々は、標準の逆時間解法と互換性のあるプラグアンドプレイ非パラメトリックな自己正規化重要度サンプリング推定器を開発した。 PDE-Governed Inverse問題と合成ターゲット実験により, 固定シミュレーション予算に対する試料品質の改善が示された。
  論文  参考訳（メタデータ） (2026-01-04T16:46:31Z)
• Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
  低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。 提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
  論文  参考訳（メタデータ） (2025-07-23T11:58:54Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• EquiReg: Equivariance Regularized Diffusion for Inverse Problems [67.01847869495558]
  拡散に基づく逆問題解法における後方サンプリングを正規化するためのフレームワークであるEquiReg拡散法を提案する。 様々な解法に適用すると、EquiRegは線形および非線形画像復元タスクにおいて最先端の拡散モデルより優れる。
  論文  参考訳（メタデータ） (2025-05-29T01:25:43Z)
• RDPI: A Refine Diffusion Probability Generation Method for Spatiotemporal Data Imputation [4.251739849724956]
  インキュベーションは交通流のモニタリング、大気質の評価、気候予報など様々な分野で重要な役割を担っている。 センサによって収集されたデータは、しばしば時間的不完全性に悩まされ、蓄積と不均一な分布は、データ不足につながる。 本稿では,初期ネットワークと条件拡散モデルに基づく2段階改良型確率計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T08:06:00Z)
• Inference-Time Diffusion Model Distillation [59.350789627086456]
  本稿では,新しい推論時間蒸留フレームワークであるDistillation++を紹介する。 条件付きサンプリングの最近の進歩に触発されて,本手法は学生モデルサンプリングを近位最適化問題として再放送する。 逆サンプリング中の蒸留最適化を統合し,教師指導とみなすことができる。
  論文  参考訳（メタデータ） (2024-12-12T02:07:17Z)
• Convergence of Score-Based Discrete Diffusion Models: A Discrete-Time Analysis [56.442307356162864]
  連続時間マルコフ連鎖(CTMC)に基づくスコアベース離散拡散モデルの理論的側面について検討する。 本稿では,事前定義された時間点におけるスコア推定値を利用する離散時間サンプリングアルゴリズムを一般状態空間$[S]d$に導入する。 我々の収束解析はジルサノフ法を用いて離散スコア関数の重要な性質を確立する。
  論文  参考訳（メタデータ） (2024-10-03T09:07:13Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Reverse Diffusion Monte Carlo [19.35592726471155]
  逆拡散モンテカルロ(rdMC)と呼ばれる新しいモンテカルロサンプリングアルゴリズムを提案する。 rdMCはマルコフ連鎖モンテカルロ(MCMC)法とは異なる。
  論文  参考訳（メタデータ） (2023-07-05T05:42:03Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)

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。