論文の概要: CARE: Training-Free Controllable Restoration for Medical Images via Dual-Latent Steering

• arxiv url: http://arxiv.org/abs/2603.25026v1
• Date: Thu, 26 Mar 2026 04:43:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.104651
• Title: CARE: Training-Free Controllable Restoration for Medical Images via Dual-Latent Steering
• Title（参考訳）: CARE:Dual-Latent Steeringによる医用画像のトレーニング不要再生
• Authors: Xu Liu,
• Abstract要約: CAREは、実世界の医療画像のためのトレーニング不要の制御可能な復元フレームワークである。 CAREは二重遅延復元戦略を用いており、一方のブランチはデータの忠実さと解剖学的一貫性を強制し、もう一方は欠落または劣化した情報の回復に先立って生成性を活用する。 リスク対応適応制御器は、復元の不確実性と局所構造信頼性に基づいて各分岐の寄与を動的に調整する。
• 参考スコア（独自算出の注目度）: 4.1773721811712665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image restoration is essential for improving the usability of noisy, incomplete, and artifact-corrupted clinical scans, yet existing methods often rely on task-specific retraining and offer limited control over the trade-off between faithful reconstruction and prior-driven enhancement. This lack of controllability is especially problematic in clinical settings, where overly aggressive restoration may introduce hallucinated details or alter diagnostically important structures. In this work, we propose CARE, a training-free controllable restoration framework for real-world medical images that explicitly balances structure preservation and prior-guided refinement during inference. CARE uses a dual-latent restoration strategy, in which one branch enforces data fidelity and anatomical consistency while the other leverages a generative prior to recover missing or degraded information. A risk-aware adaptive controller dynamically adjusts the contribution of each branch based on restoration uncertainty and local structural reliability, enabling conservative or enhancement-focused restoration modes without additional model training. We evaluate CARE on noisy and incomplete medical imaging scenarios and show that it achieves strong restoration quality while better preserving clinically relevant structures and reducing the risk of implausible reconstructions and show that it achieves strong restoration quality while better preserving clinically relevant structures and reducing the risk of implausible reconstructions. The proposed approach offers a practical step toward safer, more controllable, and more deployment-ready medical image restoration.
• Abstract（参考訳）: 医療画像の復元は、ノイズ、不完全、アーティファクトの破損した臨床スキャンのユーザビリティを向上させるために不可欠であるが、既存の手法はタスク固有の再トレーニングに依存し、忠実な再構築と事前主導の強化の間のトレードオフを限定的に制御する。 この制御性の欠如は、過度に攻撃的な修復が幻覚的詳細を導入するか、診断上重要な構造を変更するという臨床環境で特に問題となる。 本研究では,実世界の医用画像に対するトレーニングフリー制御可能な復元フレームワークであるCAREを提案する。 CAREは二重遅延復元戦略を用いており、一方のブランチはデータの忠実さと解剖学的一貫性を強制し、もう一方は欠落した情報や劣化した情報を回復する前に生成性を活用する。 リスク対応適応制御器は、復元の不確実性と局所構造信頼性に基づいて各ブランチの寄与を動的に調整し、追加のモデルトレーニングを必要とせずに保守的又は強化的な復元モードを可能にする。 ノイズや不完全な医療画像のシナリオでCAREを評価し,臨床的に関連のある構造を保存し,難解な復元のリスクを低減し,かつ,臨床的に関連のある構造を保存し,難解な再構築のリスクを低減しつつ,強い復元品質を達成できることを示す。 提案されたアプローチは、より安全で、より制御可能で、より展開可能な医療画像の復元に向けた実践的なステップを提供する。

関連論文リスト

• Provenance-Driven Reliable Semantic Medical Image Vector Reconstruction via Lightweight Blockchain-Verified Latent Fingerprints [0.6466067363961121]
  現実世界のデータは汚職、騒音、潜在的な改ざんに悩まされ、AI支援解釈の信頼性に挑戦する。 ハイレベルな潜伏埋め込みとハイブリッドなU-Netアーキテクチャを統合する意味認識型医用画像再構成フレームワークを提案する。 我々のソリューションは、医療画像のための信頼性の高いAIを進化させ、医療環境における診断信頼性と規制コンプライアンスの両面を強化します。
  論文  参考訳（メタデータ） (2025-11-30T17:48:55Z)
• Task-Adaptive Low-Dose CT Reconstruction [0.0]
  深層学習に基づくCT再構成手法は,画像品質の基準値に対して,すでに高い性能を達成している。 しかし、診断タスクに必要な重要な解剖学的詳細を保存できないこともしばしばあります。 本稿では,凍結した事前学習タスクネットワークを復元損失関数の正規化用語として組み込んだ新しいタスク適応型再構築フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-10T13:30:59Z)
• Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
  解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。 CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。 CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
  論文  参考訳（メタデータ） (2025-06-02T17:07:10Z)
• Benchmarking Laparoscopic Surgical Image Restoration and Beyond [54.28852320829451]
  腹腔鏡下手術では、明瞭で高品質な視野が外科医の正確な判断に不可欠である。 持続的な視覚劣化、例えば、エネルギー装置によって発生する煙、熱勾配から光るレンズ、およびレンズ汚染は患者の安全に危険をもたらす。 本稿では,SurgCleanと呼ばれる腹腔鏡下環境を対象とするオープンソースの手術画像復元データセットについて紹介する。
  論文  参考訳（メタデータ） (2025-05-25T14:17:56Z)
• ReFIR: Grounding Large Restoration Models with Retrieval Augmentation [52.00990126884406]
  本稿では,Retrieval-augmented Framework for Image Restoration (ReFIR) というソリューションを提案する。 我々のReFIRは、抽出した画像を外部知識として組み込んで、既存のLRMの知識境界を拡張する。 実験により,ReFIRは高忠実度だけでなく,現実的な復元結果も得られることが示された。
  論文  参考訳（メタデータ） (2024-10-08T01:27:45Z)
• Implicit Neural Representations for Robust Joint Sparse-View CT Reconstruction [12.381526863294061]
  Inlicit Neural Representations (INRs) はスパース・ビューCTの再建に有効である。 本稿では,INRを用いた複数物体の同時再構成による復元品質向上手法を提案する。
  論文  参考訳（メタデータ） (2024-05-03T22:50:59Z)
• AMLP:Adaptive Masking Lesion Patches for Self-supervised Medical Image Segmentation [67.97926983664676]
  自己監督型マスク画像モデリングは自然画像に対して有望な結果を示した。 しかし,このような手法を医用画像に直接適用することは依然として困難である。 適応型マスキング病変パッチ(AMLP)の自己管理型医用画像分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:18:10Z)
• Uncertainty Estimation and Propagation in Accelerated MRI Reconstruction [1.9392807501735063]
  深層学習技術は予期せぬ失敗と幻覚構造で知られている。 十分な校正された不確実性定量化は、臨床実践においてこの技術を安全に活用するための重要な要素となるだろう。 条件付き階層的変分オートエンコーダのアイデアに基づく新しい確率的再構築手法(PHiRec)を提案する。
  論文  参考訳（メタデータ） (2023-08-04T16:41:05Z)
• Adversarial Robust Training of Deep Learning MRI Reconstruction Models [0.0]
  我々は、訓練されたディープラーニング再構築ネットワークの再構築が困難である小さな合成摂動を生成するために、敵攻撃を用いる。 次に、ロバストトレーニングを使用して、これらの小さな特徴に対するネットワークの感度を高め、その再構築を促進する。 再構成ネットワークにロバストトレーニングを導入することで,偽陰性特徴率を低減できることが実験的に示された。
  論文  参考訳（メタデータ） (2020-10-30T19:26:14Z)
• Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
  新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。 実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
  論文  参考訳（メタデータ） (2020-10-12T08:04:24Z)

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。