Fugu-MT 論文翻訳(概要): Progressively Texture-Aware Diffusion for Contrast-Enhanced Sparse-View CT

論文の概要: Progressively Texture-Aware Diffusion for Contrast-Enhanced Sparse-View CT

arxiv url: http://arxiv.org/abs/2604.11559v1
Date: Mon, 13 Apr 2026 14:45:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-14 20:13:16.62211
Title: Progressively Texture-Aware Diffusion for Contrast-Enhanced Sparse-View CT
Title（参考訳）: コントラスト強調スパークビューCTの進行的テクスチャ認識拡散
Authors: Tianqi Wang, Wenchao Du, Hongyu Yang,
Abstract要約: スパース・ビューCT再構成のための進歩的テクスチャ認識拡散(PTD)モデルを提案する。 PTDは,少数のサンプリングステップのみで,構造的類似性や視覚的魅力の点で優れた性能を発揮する。
参考スコア（独自算出の注目度）: 27.925535591416306
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Diffusion-based sparse-view CT (SVCT) imaging has achieved remarkable advancements in recent years, thanks to its more stable generative capability. However, recovering reliable image content and visually consistent textures is still a crucial challenge. In this paper, we present a Progressively Texture-aware Diffusion (PTD) model, a coarse-to-fine learning framework tailored for SVCT. Specifically, PTD comprises a basic reconstructive module PTD$_{\textit{rec}}$ and a conditional diffusion module PTD$_{\textit{diff}}$. PTD$_{\textit{rec}}$ first learns a deterministic mapping to recover the majority of the underlying low-frequency signals (i.e., coarse content with smoothed textures), which serves as the initial estimation to enable fidelity. Moreover, PTD$_{\textit{diff}}$ aims to reconstruct high-fidelity details for coarse prediction, which explores a dual-domain guided conditional diffusion to generate reliable and consistent textures. Extensive experiments on sparse-view CT reconstruction demonstrate that our PTD achieves superior performance in terms of structure similarity and visual appeal with only a few sampling steps, which mitigates the randomness inherent in general diffusion models and enables a better trade-off between visual quality and fidelity of high-frequency details.
Abstract（参考訳）: 拡散型スパースビューCT(SVCT)は, より安定した生成能により近年, 顕著な進歩を遂げている。しかし、信頼できる画像コンテンツと視覚的に一貫したテクスチャを回復することは依然として重要な課題である。本稿では,SVCTに適した粗粒度学習フレームワークPTD(Progressively Texture-Aware Diffusion)モデルを提案する。具体的には、PTD は基本再構成モジュール PTD$_{\textit{rec}}$ と条件拡散モジュール PTD$_{\textit{diff}}$ から構成される。 PTD$_{\textit{rec}}$ 最初に決定論的マッピングを学習し、基礎となる低周波信号(スムーズなテクスチャを持つ粗い内容)の大半を復元する。さらに、PTD$_{\textit{diff}}$は、信頼性と一貫性のあるテクスチャを生成するために二重ドメイン誘導条件拡散を探索する粗い予測のために、高忠実度の詳細を再構築することを目的としている。 Sparse-view CT再構成における広範囲な実験により、PTDは、一般的な拡散モデルに固有のランダム性を緩和し、高頻度の詳細の視覚的品質と忠実さのトレードオフを改善するため、いくつかのサンプリングステップで、構造的類似性と視覚的魅力の面で優れた性能を達成できることが示されている。

関連論文リスト

$D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
論文参考訳（メタデータ） (2026-03-17T10:50:36Z)
Continuity-driven Synergistic Diffusion with Neural Priors for Ultra-Sparse-View CBCT Reconstruction [15.291378238363174]
コーンビームCT(CBCT)の臨床応用は,放射線照射と画質のトレードオフによって制限される。線量を減らすために使用される超スパース角サンプリングは、深刻なアンダーサンプリングアーティファクトとスライス間不整合を導入している。既存の復元手法は、角の連続性と空間的詳細忠実さのバランスをとるのに苦労することが多い。
論文参考訳（メタデータ） (2026-02-08T14:16:30Z)
Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders [74.72147962028265]
表現オートエンコーダ(RAE)は、ImageNet上で拡散モデリングにおいて明確な利点を示している。本稿では,このフレームワークが大規模でフリーフォームなテキスト・ツー・イメージ(T2I)生成に拡張できるかどうかを検討する。
論文参考訳（メタデータ） (2026-01-22T18:58:16Z)
One-Shot Refiner: Boosting Feed-forward Novel View Synthesis via One-Step Diffusion [57.824020826432815]
スパース画像から高忠実性ノベルビュー合成(NVS)を実現するための新しいフレームワークを提案する。 ViTバックボーンによって制限されることなく高解像度画像を処理できるデュアルドメイン詳細知覚モジュールを設計する。我々は,修復過程において高周波の詳細を保存できる特徴誘導拡散ネットワークを開発した。
論文参考訳（メタデータ） (2026-01-20T17:11:55Z)
Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model [20.480681036392173]
高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
論文参考訳（メタデータ） (2025-11-18T10:14:28Z)
Learning Deblurring Texture Prior from Unpaired Data with Diffusion Model [92.61216319417208]
画像の劣化に対する新しい拡散モデル(DM)に基づくフレームワークを提案する。我々の研究は、ぼやけた画像のテクスチャを回復するのに役立つ事前知識を生成するために、DMを実行する。生成したテクスチャをフル活用するために,テクスチャ転送変換層(TTformer)を提案する。
論文参考訳（メタデータ） (2025-07-18T01:50:31Z)
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)
One-Step Diffusion-based Real-World Image Super-Resolution with Visual Perception Distillation [53.24542646616045]
画像超解像(SR)生成に特化して設計された新しい視覚知覚拡散蒸留フレームワークであるVPD-SRを提案する。 VPD-SRは2つのコンポーネントから構成される: 明示的セマンティック・アウェア・スーパービジョン(ESS)と高周波知覚(HFP)損失。提案したVPD-SRは,従来の最先端手法と教師モデルの両方と比較して,たった1ステップのサンプリングで優れた性能が得られる。
論文参考訳（メタデータ） (2025-06-03T08:28:13Z)
R-Meshfusion: Reinforcement Learning Powered Sparse-View Mesh Reconstruction with Diffusion Priors [6.102039677329314]
マルチビュー画像からのメッシュ再構成はスパースビュー条件下で著しく劣化する。拡散モデルの最近の進歩は、限られた入力から新しいビューを合成する強力な能力を示している。本稿では,拡散モデルを利用して,スパースビューメッシュ再構成を原理的かつ信頼性の高い方法で向上する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-04-16T10:23:59Z)
BUFF: Bayesian Uncertainty Guided Diffusion Probabilistic Model for Single Image Super-Resolution [19.568467335629094]
ベイジアン不確実性誘導拡散確率モデル(BUFF)を紹介する。 BUFFは、ハイレゾな不確実性マスクを生成するためにベイズネットワークを組み込むことで、自分自身を区別する。複雑なテクスチャと細部が特徴の領域において、人工物やぼやけを著しく軽減する。
論文参考訳（メタデータ） (2025-04-04T14:43:45Z)
BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文参考訳（メタデータ） (2024-03-15T11:21:34Z)

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。