論文の概要: Tracing the Oracle: Improving Diffusion Timestep Scheduling for 3D CT Reconstruction

• arxiv url: http://arxiv.org/abs/2606.06236v1
• Date: Thu, 04 Jun 2026 14:41:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.864094
• Title: Tracing the Oracle: Improving Diffusion Timestep Scheduling for 3D CT Reconstruction
• Title（参考訳）: Oracleの追跡: 3次元CT再構成のための拡散時間ステップスケジューリングの改善
• Authors: Yujia Wu, Zhaoqiang Liu,
• Abstract要約: Oracle Tracing(TrO)は、タイムステップスケジューリングを改善するためのプラグイン・アンド・プレイフレームワークである。 TrOは、制限されたサンプリングステップを、トランケーションエラーに非常に敏感な臨界進化段階に正確に割り当てる。 AAPMデータセットを用いた実験により、最先端の3DCT再構成法と組み合わせることで、最適化された時間ステップにより、再構成精度と計算効率が大幅に向上することを示した。
• 参考スコア（独自算出の注目度）: 11.358929625076636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained diffusion models demonstrate impressive potential in solving highly ill-posed 3D computed tomography (CT) inverse problems, while the inference process suffers from significant computational overhead. Furthermore, existing uniform timestep schedules fail to capture the non-uniform evolution of the reverse conditional diffusion stochastic differential equation, thereby introducing substantial truncation errors. To overcome this limitation, we propose Tracing the Oracle (TrO), a plug-and-play framework for improved timestep scheduling. Specifically, we treat densely sampled numerical integration trajectories on a few samples as the reference oracle. The optimized schedule is extracted by leveraging dynamic programming to globally minimize the cumulative error between the few-step approximation and the oracle. This mechanism precisely allocates the limited sampling steps to critical evolution stages that are highly susceptible to truncation errors. Our extensive experiments on the AAPM dataset across multiple 3D CT reconstruction tasks demonstrate that, when combined with the state-of-the-art 3D CT reconstruction method DDS, our optimized timesteps significantly improve reconstruction fidelity and computational efficiency compared to existing heuristic schedules, especially under a strict budget of no more than 10 sampling steps.
• Abstract（参考訳）: 事前トレーニングされた拡散モデルは、高度に不適切な3次元CT(Computered Tomography)の逆問題を解決する上で、優れたポテンシャルを示し、推論プロセスは計算オーバーヘッドに悩まされる。 さらに、既存の均一な時間ステップスケジュールは、逆条件拡散確率微分方程式の不均一な進化を捉えることができず、実質的なトランケーション誤差が生じる。 この制限を克服するため、時間経過スケジューリングを改善するためのプラグイン・アンド・プレイフレームワークであるTrace the Oracle (TrO)を提案する。 具体的には,いくつかのサンプルに対して,密度の高い数値積分軌跡を参照オラクルとして扱う。 最適化されたスケジュールは、動的プログラミングを活用して、数ステップ近似とオラクルの累積誤差を大域的に最小化する。 このメカニズムは、制限されたサンプリングステップを、トランケーションエラーに非常に敏感な臨界進化段階に正確に割り当てる。 複数の3次元CT再構成タスクにまたがるAAPMデータセットに関する広範な実験により、最先端の3次元CT再構成手法DDSと組み合わせることで、既存のヒューリスティックなスケジュールと比較して、特に10段階以下の厳格な予算で、再構成の忠実度と計算効率を著しく向上することを示した。

関連論文リスト

• DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction [42.4365911571903]
  本稿では,拡散前のNR最適化を向上する新しいフレームワークであるDiffNRを提案する。 コアとなるSliceFixerは、分解したスライスのアーティファクトを修正するために設計された1ステップの拡散モデルである。 実験では、DiffNRはPSNRを平均3.99dB改善し、ドメイン間でよく一般化し、効率的な最適化を維持している。
  論文  参考訳（メタデータ） (2026-04-23T10:27:54Z)
• Bias-Constrained Diffusion Schedules for PDE Emulations: Reconstruction Error Minimization and Efficient Unrolled Training [32.42657582329756]
  条件拡散モデルは複雑な力学をエミュレートするための強力な代理である。 彼らはしばしば、高精度なタスクのために神経エミュレータの精度に合わない。 自己回帰的PDE拡散モデルの2つの重要な限界に対処する。
  論文  参考訳（メタデータ） (2026-04-09T15:21:31Z)
• SSR: A Training-Free Approach for Streaming 3D Reconstruction [53.19807901585702]
  自己表現型シーケンス規則化(Self Expressive Sequence Regularization、SSR)は、推論中にグラスマン列の正則性を強制するプラグアンドプレイ演算子である。 本研究では,SSRが連続的にドリフトを低減し,複数のストリーミング3D再構成タスクにおける再構成品質を向上させることを示す。
  論文  参考訳（メタデータ） (2026-03-16T02:55:14Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-12T14:36:53Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• Operator Flow Matching for Timeseries Forecasting [2.406359246841227]
  既存の自己回帰と拡散に基づくアプローチは、長い、物理的に一貫した予測を制限する累積誤差や離散化アーチファクトに悩まされることが多い。 本研究では、FNO誤差の上限を証明し、チャネル折り畳みによるスパース条件付けを利用した潜時流マッチングモデルであるTempOを提案する。
  論文  参考訳（メタデータ） (2025-10-16T19:40:56Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。