論文の概要: RelativeFlow: Taming Medical Image Denoising Learning with Noisy Reference
- arxiv url: http://arxiv.org/abs/2604.15459v1
- Date: Thu, 16 Apr 2026 18:18:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.6198
- Title: RelativeFlow: Taming Medical Image Denoising Learning with Noisy Reference
- Title（参考訳）: RelativeFlow: ノイズレファレンスで学ぶ医学的イメージのモデリング
- Authors: Yuxin Liu, Yiqing Dong, Wenxue Yu, Zhan Wu, Rongjun Ge, Yang Chen, Yuting He,
- Abstract要約: MID(Malical Image Denoising)には、監督のためのクリーンなイメージがまったくないため、ノイズの多い参照問題が発生します。
異種ノイズ参照から学習するフローマッチングフレームワークである textbfRelativeFlow を提案する。
RelativeFlowは、絶対ノイズ-クリーンマッピングを相対ノイズ-ノイズ-ノイズマッピングに分解することで、フローマッチングを再構成する。
- 参考スコア（独自算出の注目度）: 11.027227615589247
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Medical image denoising (MID) lacks absolutely clean images for supervision, leading to a noisy reference problem that fundamentally limits denoising performance. Existing simulated-supervised discriminative learning (SimSDL) and simulated-supervised generative learning (SimSGL) treat noisy references as clean targets, causing suboptimal convergence or reference-biased learning, while self-supervised learning (SSL) imposes restrictive noise assumptions that are seldom satisfied in realistic MID scenarios. We propose \textbf{RelativeFlow}, a flow matching framework that learns from heterogeneous noisy references and drives inputs from arbitrary quality levels toward a unified high-quality target. RelativeFlow reformulates flow matching by decomposing the absolute noise-to-clean mapping into relative noisier-to-noisy mappings, and realizes this formulation through two key components: 1) consistent transport (CoT), a displacement map that constrains relative flows to be components of and progressively compose a unified absolute flow, and 2) simulation-based velocity field (SVF), which constructs a learnable velocity field using modality-specific degradation operators to support different medical imaging modalities. Extensive experiments on Computed Tomography (CT) and Magnetic Resonance (MR) denoising demonstrate that RelativeFlow significantly outperforms existing methods, taming MID with noisy references.
- Abstract（参考訳）: MID(Malical Image Denoising)には、監督のためのクリーンなイメージが欠如しているため、ノイズの多い参照問題が発生している。
既存のシミュレートされた識別学習(SimSDL)とシミュレートされた生成学習(SimSGL)は、ノイズの多い参照をクリーンなターゲットとして扱い、最適な収束や参照バイアス学習を引き起こす。
本稿では,不均一なノイズ参照から学習し,任意の品質レベルからの入力を統一された高品質なターゲットに向けて駆動するフローマッチングフレームワークである‘textbf{RelativeFlow} を提案する。
RelativeFlowは、絶対ノイズ-クリーンマッピングを相対ノイズ-ノイズ-ノイズマッピングに分解することでフローマッチングを再構成し、この定式化を2つの重要なコンポーネントを通して実現する。
1)一貫した輸送(CoT)とは、相対フローを成分とし、漸進的に絶対フローを構成するような変位写像である。
2) シミュレーションに基づく速度場 (SVF) は, 異なる医用画像モダリティをサポートするために, モダリティ特異的劣化演算子を用いて学習可能な速度場を構築する。
CT (Computed Tomography) とMR (Magnetic Resonance) の広汎な実験により、RelativeFlow は既存の手法よりも優れており、MID をノイズの少ない基準で使用することができることを示した。
関連論文リスト
- Flow Matching in the Low-Noise Regime: Pathologies and a Contrastive Remedy [19.64681328133978]
フローマッチングは、生成モデリングと表現学習のための連続時間定式化を提供する。
この枠組みは低雑音体制における根本的な不安定性に悩まされていることを示す。
直接速度回帰を小さな雑音レベルにおける対照的な特徴アライメントに置き換えるハイブリッドトレーニングプロトコルであるLocal Contrastive Flow (LCF)を提案する。
論文 参考訳（メタデータ） (2025-09-25T09:36:41Z) - Score-based Self-supervised MRI Denoising [1.6385815610837167]
教師付き学習に基づく復号化手法は優れた性能を達成しているが、高い信号対雑音比 (SNR) ラベルを必要とする。
自己教師付き学習はラベル不足の問題に対処することを約束するが、既存の自己教師型認知法は空間的特徴を過度に表現する傾向がある。
C2S(Corruption2Self)は,MRIのための新しいスコアベースの自己教師型フレームワークである。
論文 参考訳（メタデータ） (2025-05-08T20:27:13Z) - Self-Supervised Diffusion MRI Denoising via Iterative and Stable Refinement [20.763457281944834]
ディフュージョン (Di-Fusion) は、後者の拡散ステップと適応サンプリングプロセスを利用する、完全に自己制御された分極法である。
実データおよびシミュレーションデータを用いた実験により, マイクロ構造モデリング, トラクトグラフィー追跡, その他の下流タスクにおいて, ディフュージョンが最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2025-01-23T10:01:33Z) - Disentangled Noisy Correspondence Learning [56.06801962154915]
クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。
DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
論文 参考訳（メタデータ） (2024-08-10T09:49:55Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - Convolutional Neural Network Denoising in Fluorescence Lifetime Imaging
Microscopy (FLIM) [16.558653673949838]
蛍光寿命イメージング顕微鏡(FLIM)システムは、その遅い処理速度、低信号対雑音比(SNR)、および高価で困難なハードウェアセットアップによって制限されています。
そこで本研究では,FLIM SNRを改善するために畳み込み畳み込みネットワークを適用した。
ネットワークは、アナログ信号処理に基づく高速なデータ取得、高効率パルス変調を用いた高SNR、オフザシェルフ無線周波数成分を用いたコスト効率実装を備えたインスタントFLIMシステムと統合される。
論文 参考訳（メタデータ） (2021-03-07T03:27:44Z) - Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。
この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。
その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文 参考訳（メタデータ） (2020-04-15T15:46:09Z)
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。