論文の概要: U-TTT: Towards Generalizable PET Image Denoising via Test-Time Training

• arxiv url: http://arxiv.org/abs/2606.11032v1
• Date: Tue, 09 Jun 2026 16:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.599222
• Title: U-TTT: Towards Generalizable PET Image Denoising via Test-Time Training
• Title（参考訳）: U-TTT:テストタイムトレーニングによるPET画像の一般化に向けて
• Authors: Zhiwen Yang, Jiayin Li, Hao Lu, Hui Zhang, Zihua Wang, Bingzheng Wei, Yan Xu,
• Abstract要約: ポジトロン・エミッション・トモグラフィ(PET)画像の既存の深層学習モデルでは、分布シフトによって大きな性能劣化が生じることが多い。 U-TTTは、テストタイムトレーニング層を統合した新しいU字型モデルであり、自己スーパービジョンによる推論中にモデルパラメータを調整する。 実験により,U-TTTは現状のPET復調性能を達成し,分散シフトが困難である場合に優れた一般化を示すことが示された。
• 参考スコア（独自算出の注目度）: 14.084909253164005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing deep learning models for Positron Emission Tomography (PET) image denoising often suffer from severe performance degradation under distribution shifts, fundamentally restricting their robust clinical deployment. This lack of generalization stems from the conventional paradigm of fixed-parameter models that cannot adapt to variations in test data (e.g., dose levels or scanner types) after training. To overcome this limitation and achieve robust generalization, we introduce U-TTT, a novel U-shaped model that integrates Test-Time Training (TTT) layers to dynamically adjust model parameters during inference through self-supervision, thereby adapting to the specific characteristics of each test instance. Furthermore, to comprehensively capture the complex degradations of 3D PET data, U-TTT features a dual-domain adaptation mechanism comprising a Spatial Test-Time Training (S-TTT) layer and a Frequency Test-Time Training (F-TTT) layer. The S-TTT layer captures and corrects spatial structural degradations, while the F-TTT layer suppresses global noise spectra and restores delicate high-frequency details. Extensive experiments demonstrate that U-TTT achieves state-of-the-art PET denoising performance and exhibits superior generalization under challenging distribution shifts, including both unseen dose levels and unseen scanners. Our code will be available at https://github.com/Yaziwel/U-TTT.
• Abstract（参考訳）: ポジトロン・エミッション・トモグラフィ(PET)画像の既存の深層学習モデルでは、分布シフトによるパフォーマンス低下がしばしば見られ、その堅牢な臨床展開を根本的に制限する。 この一般化の欠如は、訓練後のテストデータ(線量レベル、スキャナタイプなど)の変動に適応できない固定パラメータモデルの伝統的なパラダイムに起因している。 この制限を克服し、堅牢な一般化を実現するために、テスト時間トレーニング(TTT)層を統合した新しいU字型モデルU-TTTを導入する。 さらに、3次元PETデータの複雑な劣化を包括的に捉えるため、U-TTTは空間テスト時間トレーニング(S-TTT)層と周波数テスト時間トレーニング(F-TTT)層からなる二重領域適応機構を備える。 S-TTT層は空間構造劣化を捉え補正し、F-TTT層はグローバルノイズスペクトルを抑圧し、微妙な高周波の詳細を復元する。 大規模な実験により、U-TTTは最先端のPET復調性能を達成し、未確認線量レベルと未確認スキャナーの両方を含む、困難な分布シフトの下で優れた一般化を示すことが示された。 私たちのコードはhttps://github.com/Yaziwel/U-TTT.comで公開されます。

関連論文リスト

• Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
  テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。 本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:44Z)
• Test-Time Training Provably Improves Transformers as In-context Learners [49.09821664572445]
  テキスト内学習のための勾配に基づくTTTアルゴリズムについて検討する。 テストプロンプトで提供されるコンテキスト内デモに対して,トランスフォーマーモデルをトレーニングする。 経験的貢献として,TabPFNに対するTTTの有用性について検討した。
  論文  参考訳（メタデータ） (2025-03-14T20:06:37Z)
• Test-time Loss Landscape Adaptation for Zero-Shot Generalization in Vision-Language Models [3.1099372412393524]
  本稿では,ロスランドスケープの観点から,既存の手法におけるバックプロパゲーションの不要な性質を明らかにする。 テストタイムロスランドスケープ適応(TLLA)と呼ばれるシンプルだが効果的なフレームワークを提案する。 即時チューニングの段階では、最小限のトレーニングを識別するために、シャープネス・アウェア・プロンプト・チューニング(SAPT)法が導入された。 テスト段階では、平らなミニマのアライメントを確保するためにシャープネスに基づくテストサンプル選択(STSS)アプローチが使用される。
  論文  参考訳（メタデータ） (2025-01-31T03:10:48Z)
• ReC-TTT: Contrastive Feature Reconstruction for Test-Time Training [15.572896213775438]
  深層学習モデルを新しい未知の領域に適応させるテストタイムトレーニング手法を提案する。 ReC-TTTは、凍結エンコーダと2つのトレーニング可能なエンコーダの間の補助的なタスクとしてクロスコンストラクションを使用する。 ReC-TTTは、ほとんどのドメインシフト分類課題において、最先端技術よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-26T20:38:02Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• A Layer Selection Approach to Test Time Adaptation [0.2968738145616401]
  テスト時間適応(TTA)は、推論中に事前訓練されたモデルを新しいドメインに適応させることによって、分散シフトの問題に対処する。 提案するGALAは,TTA中に最も有益な更新を行うための新しいレイヤ選択基準である。
  論文  参考訳（メタデータ） (2024-04-04T19:55:11Z)
• Towards Real-World Test-Time Adaptation: Tri-Net Self-Training with Balanced Normalization [46.30241353155658]
  既存の研究は、非I.d.データストリームと連続的なドメインシフトの下での実際のテスト時間適応を主に検討している。 我々は、最先端の手法の失敗は、まず不均衡なテストデータに正規化層を無差別に適応させることによって生じると論じる。 TRIBEと呼ばれる最後のTTAモデルは、バランスの取れたバッチノーム層を持つトリネットアーキテクチャ上に構築されている。
  論文  参考訳（メタデータ） (2023-09-26T14:06:26Z)
• Towards Stable Test-Time Adaptation in Dynamic Wild World [60.98073673220025]
  テスト時間適応(TTA)は、与えられたモデルをテストサンプルに適応させることで、トレーニングとテストデータの分散シフトに取り組むのに有効であることが示されている。 TTAのオンラインモデル更新は不安定であり、これはしばしば既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。
  論文  参考訳（メタデータ） (2023-02-24T02:03:41Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)

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。