論文の概要: Open World MRI Reconstruction with Bias-Calibrated Adaptation

• arxiv url: http://arxiv.org/abs/2603.13466v1
• Date: Fri, 13 Mar 2026 17:49:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.231641
• Title: Open World MRI Reconstruction with Bias-Calibrated Adaptation
• Title（参考訳）: Bias-Calibrated Adaptation を用いたオープンワールドMRI再構成
• Authors: Jiyao Liu, Shangqi Gao, Lihao Liu, Junzhi Ning, Jinjie Wei, Junjun He, Xiahai Zhuang, Ningsheng Xu,
• Abstract要約: 見えない画像センター、解剖学的構造、または取得プロトコルからのデータは、トレーニングデータと大きく異なるため、パフォーマンスが著しく低下する可能性がある。 最小限の介入原理に基づくバイアス校正適応フレームワークであるBiasReconを提案する。
• 参考スコア（独自算出の注目度）: 24.744607154276608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world MRI reconstruction systems face the open-world challenge: test data from unseen imaging centers, anatomical structures, or acquisition protocols can differ drastically from training data, causing severe performance degradation. Existing methods struggle with this challenge. To address this, we propose BiasRecon, a bias-calibrated adaptation framework grounded in the minimal intervention principle: preserve what transfers, calibrate what does not. Concretely, BiasRecon formulates open-world adaptation as an alternating optimization framework that jointly optimizes three components: (1) frequency-guided prior calibration that introduces layer-wise calibration variables to selectively modulate frequency-specific features of the pre-trained score network via self-supervised k-space signals, (2) score-based denoising that leverages the calibrated generative prior for high-fidelity image reconstruction, and (3) adaptive regularization that employs Stein's Unbiased Risk Estimator to dynamically balance the prior-measurement trade-off, matching test-time noise characteristics without requiring ground truth. By intervening minimally and precisely through this alternating scheme, BiasRecon achieves robust adaptation with fewer than 100 tunable parameters. Extensive experiments across four datasets demonstrate state-of-the-art performance on open-world reconstruction tasks.
• Abstract（参考訳）: 見えない画像センター、解剖学的構造、または取得プロトコルからのデータは、トレーニングデータと大きく異なるため、パフォーマンスが著しく低下する可能性がある。 既存の手法はこの課題に苦しむ。 この問題を解決するために,最小限の介入原理に基づくバイアス校正適応フレームワークであるBiasReconを提案する。 具体的には,(1)事前学習したスコアネットワークの周波数特性を,自己教師付きk空間信号を介して選択的に変調する周波数誘導事前校正変数を導入する周波数誘導事前校正,(2)高忠実度画像再構成に先立って校正前の校正を活用できるスコアベース分極,(3)SteinのUnbiased Risk Estimatorを用いた適応正規化の3つのコンポーネントを併用して,事前測定トレードオフを動的にバランスさせる適応正規化を行う。 この交替スキームを通じて最小かつ正確に介入することにより、BiasReconは100個の可変パラメータ未満の堅牢な適応を実現する。 4つのデータセットにわたる大規模な実験は、オープンワールドの再構築タスクにおける最先端のパフォーマンスを示している。

関連論文リスト

• VFM-Recon: Unlocking Cross-Domain Scene-Level Neural Reconstruction with Scale-Aligned Foundation Priors [49.39553550491549]
  VFMReconは, シーンレベルの神経再構成において, スケール一貫性の要求を満たすトランスファー可能なVFMプリエントをブリッジする最初の試みである。 具体的には、まず、マルチビュースケールコヒーレンスを復元する軽量なスケールアライメントステージを導入する。 次に、トレーニング済みのVFM機能を、軽量なタスク固有アダプタを介して、ニューラルボリューム再構築パイプラインに統合する。
  論文  参考訳（メタデータ） (2026-03-13T05:00:44Z)
• ReHARK: Refined Hybrid Adaptive RBF Kernels for Robust One-Shot Vision-Language Adaptation [3.8707695363745214]
  ReHARKは、グローバルな近位正規化を通じて、少数ショット適応を再解釈する、トレーニング不要のフレームワークである。 ワンショット適応のための新しい最先端技術がReHARKによって確立され、平均精度は65.83%である。
  論文  参考訳（メタデータ） (2026-03-12T04:59:09Z)
• Revisiting Global Token Mixing in Task-Dependent MRI Restoration: Insights from Minimal Gated CNN Baselines [43.505945728449774]
  グローバルトークンミキシングはMRIの復元において一般的なモデル設計の選択肢となっている。 グローバルトークンミキシングは,各タスクにおいて,3つの代表的な設定で実際に有用かどうかを問う。 MRIの再生を高速化するために、最小限のアンロールゲート-CNNベースラインは、すでに非常に競争力がある。 制御された低パス劣化により、低周波k空間データがほとんど保存されている超解像の場合、局所ゲートモデルは競争力を維持する。 空間的ヘテロセダスティックノイズを発音する場合には,トークン混合モデルが最も高い総合的な性能が得られる。
  論文  参考訳（メタデータ） (2026-03-02T04:57:52Z)
• Automated Tuning for Diffusion Inverse Problem Solvers without Generative Prior Retraining [4.511561231517167]
  拡散/スコアベースのモデルは、逆問題を解決するための強力な生成前駆体として現れてきた。 本稿では,任意のノイズスケジュールで忠実度重みを調整するテスト時間最適化手法であるZero-shot Adaptive Diffusion Smpling (ZADS)を提案する。 ZADSは、従来の圧縮センシングと最近の拡散ベースの手法の両方より一貫して優れている。
  論文  参考訳（メタデータ） (2025-09-11T22:22:32Z)
• prNet: Data-Driven Phase Retrieval via Stochastic Refinement [0.0]
  本稿では,Langevin のダイナミックスを有効活用し,効率的な後続サンプリングを実現するための新しい位相検索フレームワークを提案する。 本手法は, サンプリング, 学習復調, モデルベース更新の組み合わせにより, 知覚歪みのトレードオフをナビゲートする。
  論文  参考訳（メタデータ） (2025-07-13T12:25:06Z)
• OPONeRF: One-Point-One NeRF for Robust Neural Rendering [70.56874833759241]
  そこで我々は,ロバストなシーンレンダリングのためのOne-Point-One NeRF (OPONeRF) フレームワークを提案する。 物体の動き、光の変化、データ汚染といった小さなが予測不可能な摂動は、現実の3Dシーンに広く存在している。 実験の結果,OPONeRFは各種評価指標において最先端のNeRFよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-30T07:49:30Z)
• Coordinated Sparse Recovery of Label Noise [2.9495895055806804]
  本研究は、ラベルノイズがインスタンス依存であるロバストな分類タスクに焦点を当てる。 協調スパース回収法(CSR)を提案する。 CSRは、モデル予測とノイズ回復を調整するために、協調行列と信頼重みを導入し、エラーリークを低減する。 CSRに基づいて,共同サンプル選択戦略を設計し,CSR+と呼ばれる包括的で強力な学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2024-04-07T03:41:45Z)
• NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
  暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。 本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。 本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
  論文  参考訳（メタデータ） (2022-07-22T10:05:36Z)
• Out-of-Domain Human Mesh Reconstruction via Dynamic Bilevel Online Adaptation [87.85851771425325]
  我々は、人間のメッシュ再構成モデルをドメイン外ストリーミングビデオに適用する際の新しい問題を考える。 オンライン適応によってこの問題に対処し、テスト中のモデルのバイアスを徐々に修正します。 動的バイレベルオンライン適応アルゴリズム(DynaBOA)を提案する。
  論文  参考訳（メタデータ） (2021-11-07T07:23:24Z)
• Neural Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。