論文の概要: DRIFT: Difficulty-aware Rectified Flows for Through-plane MRI Super-Resolution
- arxiv url: http://arxiv.org/abs/2607.16649v1
- Date: Sat, 18 Jul 2026 05:47:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.218426
- Title: DRIFT: Difficulty-aware Rectified Flows for Through-plane MRI Super-Resolution
- Title（参考訳）: DRIFT : 平面内MRI超解像のための難易度認識整流流
- Abstract要約: DRIFTは、平面内MRI超解像のための2段階の厚さ条件補正フローフレームワークである。
DRIFTは推論コストを抑えながら高解像度のベースラインよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 31.418804762940436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Magnetic Resonance Imaging (MRI) is often acquired with anisotropic resolution to reduce scan time, producing stair-step artifacts along the through-plane direction. In through-plane MRI super-resolution, an efficiency-fidelity trade-off arises: feed-forward regressors are fast but oversmooth at large slice-thicknesses, while sampling-based methods improve fidelity at high inference cost. We propose DRIFT, a two-stage thickness-conditioned rectified flow framework for through-plane MRI super-resolution with continuous input slice-thickness. Stage 1 employs an Anatomical Projection Network (APN) to map low-resolution patches to a coarse high-resolution manifold, providing a deterministic anatomical initialization that shortens the residual transport of Stage 2 and stabilizes slice-wise refinement. Stage 2 refines details via rectified flow and introduces a Physics-Aware Difficulty (PAD) metric derived from slice-thickness induced through-plane bandwidth deficit to guide an Adaptive Integration Scheduler (AIS), allocating ODE steps by thickness. A Consistent Endpoint Trajectory Alignment (CETA) loss enforces thickness-consistent reconstructions. Experiments show that DRIFT outperforms super-resolution baselines while reducing inference cost. Code, models, and interactive demos are available at https://yoonseokchoi-ai.github.io/drift-eccv2026/.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、スキャン時間を短縮するために異方性分解能で取得されることが多い。
フィードフォワード回帰器は高速だが、大きなスライス厚さでは過度に滑らかであり、サンプリングベースの手法は高い推論コストで忠実性を改善する。
DRIFTは、連続的な入力スライス厚さを有する平面MRI超解像のための2段階の厚さ条件補正フローフレームワークである。
ステージ1は、低分解能パッチを粗い高分解能多様体にマッピングするために解剖学的投影ネットワーク(APN)を使用し、ステージ2の残留輸送を短くしスライスワイズワイズを安定化させる決定論的解剖学的初期化を提供する。
ステージ2は、補正フローにより詳細を洗練し、スライス厚さから導かれるスライス厚さ(PAD)メトリクスを導入し、Adaptive Integration Scheduler(AIS)を誘導し、ODEステップを厚みで割り当てる。
Consistent Endpoint Trajectory Alignment (CETA) の損失は、厚みに一貫性のある再構築を強制する。
実験により、DRIFTは推論コストを抑えながら超高解像度のベースラインより優れていることが示された。
コード、モデル、インタラクティブなデモはhttps://yoonseokchoi-ai.github.io/drift-eccv2026/で公開されている。
関連論文リスト
- Eddeep: a deep-learning framework for fast eddy-current distortion correction in diffusion MRI [3.5746754864608214]
我々は,dMRIにおける高速渦電流歪み補正のためのディープラーニングフレームワークであるEddeepを提案する。
教師付き画像翻訳ネットワークは拡散強調画像とb=0画像の出現を標準化する。
第二に、教師なし登録ネットワークは、渦電流歪みと巻間頭部運動パラメータの両方を推定する。
論文 参考訳（メタデータ） (2026-07-28T21:33:50Z) - PhyMRI-SR: Toward Physics-Aware MRI Image Super-Resolution [13.459705621719108]
磁気共鳴イメージング(MRI)超解像は診断のアクセシビリティ向上に不可欠である。
ほとんどの方法は、固定された低解像度の入力から高解像度のターゲットへの決定論的マッピングとして扱う。
我々は、MRI超解像を物理認識再構成問題として再考し、最適分解能-SNR構成を特定することを目的とする。
論文 参考訳（メタデータ） (2026-07-07T13:06:01Z) - DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。
ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。
本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
論文 参考訳（メタデータ） (2026-03-05T03:41:08Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Joint Transmit and Pinching Beamforming for Pinching Antenna Systems (PASS): Optimization-Based or Learning-Based? [89.05848771674773]
MISO (Multiple-input Single-output) フレームワークを提案する。
それは複数の導波路で構成されており、多数の低コストアンテナ(PA)を備えている。
PAの位置は、大規模パスと空間の両方にまたがるように再構成することができる。
論文 参考訳（メタデータ） (2025-02-12T18:54:10Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - Arbitrary Reduction of MRI Inter-slice Spacing Using Hierarchical
Feature Conditional Diffusion [13.979654208364948]
超高解像度技術は、2DスキャンしたMR画像のスライス間隔を減らし、下流での視覚体験とコンピュータ支援診断を容易にする。
既存のほとんどの超解像法は一定のスケーリング比で訓練されており、MRスキャンがスライス間隔の異なる臨床環境では不都合である。
本稿では階層型特徴条件拡散法(HiFi-Diff)を提案する。
論文 参考訳（メタデータ） (2023-04-16T12:05:46Z) - Flow Guidance Deformable Compensation Network for Video Frame
Interpolation [33.106776459443275]
既存の動きに基づく手法の欠点を克服するため,フローガイダンス変形補償ネットワーク(FGDCN)を提案する。
FGDCNは、フレームサンプリングプロセスをフローステップと変形ステップの2つのステップに分解する。
実験結果から,提案アルゴリズムはパラメータが少ない各種データセットに対して優れた性能を示すことがわかった。
論文 参考訳（メタデータ） (2022-11-22T09:35:14Z) - DDoS-UNet: Incorporating temporal information using Dynamic Dual-channel
UNet for enhancing super-resolution of dynamic MRI [0.27998963147546135]
磁気共鳴イメージング(MRI)は、有害な電離放射線を使わずに、高い空間分解能と優れた軟質コントラストを提供する。
時間分解能の高いMRIでは空間分解能が制限される。
このトレードオフを緩和するために、ディープラーニングに基づく超解像アプローチが提案されている。
本研究は,空間的関係と時間的関係の両方を学習しようとする深層学習モデルを作成することで,この問題に対処する。
論文 参考訳（メタデータ） (2022-02-10T22:20:58Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。