Fugu-MT 論文翻訳(概要): Feed-Forward Hierarchical Gaussian Diffusion for Extreme CT Reconstruction

論文の概要: Feed-Forward Hierarchical Gaussian Diffusion for Extreme CT Reconstruction

arxiv url: http://arxiv.org/abs/2608.15343v1
Date: Sat, 15 Aug 2026 17:56:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.273158
Title: Feed-Forward Hierarchical Gaussian Diffusion for Extreme CT Reconstruction
Title（参考訳）: 極端CT再建のためのフィードフォワード階層型ガウス拡散法
Abstract要約: HiGDiffはフィードフォワードの階層的なガウス拡散フレームワークで、空間的および構造的に細部まで再構成を分解する。 3つの異なるCTベンチマークデータセットの実験では、分離、ペア化、共同劣化設定における最先端の再構築性能が示されている。
参考スコア（独自算出の注目度）: 5.827215998326956
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Reconstructing three-dimensional computed tomography (CT) from severely constrained projections is highly ill-posed. Sparse angular sampling, restricted angular coverage, and low photon counts can occur individually or jointly, obscuring global anatomy and local tissue detail. Many learned CT reconstruction methods are tailored to a single dominant degradation. Existing diffusion and Gaussian approaches commonly recover global structure and local detail within a shared representation. We propose HiGDiff, a feed-forward hierarchical Gaussian diffusion framework that decomposes reconstruction both spatially and from structure to detail. Physics-conditioned anatomical anchors and a foreground capacity field allocate learnable Gaussian primitives to informative regions. A structure diffusion stage first recovers global attenuation geometry, and its learned representation conditions a detail diffusion stage for residual boundaries and tissue transitions. The resulting Gaussian banks are rendered as attenuation fields and further refined by a gradient-isolated residual module. Experiments on three distinct CT benchmark datasets demonstrate state-of-the-art reconstruction performance across isolated, paired, and joint degradation settings, including improvements of 5.81 dB in macro-average peak signal-to-noise ratio (PSNR) and 0.113 in structural similarity index measure (SSIM) on the Low Dose CT Image and Projection Data (LDCT-PD) collection. Code and experimental configurations are openly available at https://github.com/Bean-Young/HiGDiff.
Abstract（参考訳）: 高度に拘束された投射からCT(3次元CT)を再構成することは極めて困難である。狭角サンプリング、制限された角被覆、低光子数は、個別または共同で発生し、大局的な解剖学と局所的な組織の詳細を隠蔽する。多くの学習されたCT再構成法は、単一の支配的な劣化に合わせて調整されている。既存の拡散とガウス的アプローチは、共有表現内の大域的構造と局所的詳細を一般に回復する。フィードフォワード階層型ガウス拡散フレームワークであるHiGDiffを提案する。物理条件付解剖アンカーと前景容量場は学習可能なガウス原始体を情報領域に割り当てる。構造拡散段階は、まず、大域減衰の幾何を回復し、その学習された表現条件は、残留境界と組織遷移の詳細な拡散段階である。結果として得られるガウス銀行は減衰場として表現され、さらに勾配に分離された残留加群によって洗練される。 3つの異なるCTベンチマークデータセットの実験では、分離、ペア化、共同劣化設定における最先端の再構築性能が実証され、マクロ平均ピーク信号-雑音比(PSNR)では5.81dB、低線CT画像・投影データ(LDCT-PD)では0.113dB向上した。コードと実験的な設定はhttps://github.com/Bean-Young/HiGDiff.comで公開されている。

関連論文リスト

Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
論文参考訳（メタデータ） (2026-08-01T04:56:39Z)
GenDiff: A Dose and Anatomy Aware Diffusion Model with Structural Prior Refinement for Low-Dose CT Reconstruction and Generalization [0.0]
我々は低用量CT再構成のための一般化可能な拡散ベースフレームワークであるGenDiffを提案する。我々は、GenDiffが最先端の畳み込みニューラルネットワークと拡散に基づく再構成手法を一貫して上回っていることを示す。提案手法は, 異なる線量レベル, 解剖学的領域, 獲得領域にまたがる強靭性を保ちながら, より優れた再現性を実現する。
論文参考訳（メタデータ） (2026-07-11T09:05:51Z)
PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation [105.86385617182879]
最先端のシングルイメージの3D再構成手法は複雑なハイブリッドアーキテクチャと損失関数に依存していることが多い。このようなアーキテクチャ上のオーバーヘッドと複雑な損失の定式化は不要であることを示す。我々は,平易なViT上に構築された最小限の画素空間拡散変換器を導入し,生の3Dポイントマップパッチを直接操作する。
論文参考訳（メタデータ） (2026-07-02T17:59:56Z)
FSP-Diff: Full-Spectrum Prior-Enhanced DualDomain Latent Diffusion for Ultra-Low-Dose Spectral CT Reconstruction [20.226435074884808]
FSP-Diffは、超低用量スペクトルCT再構成のための、フルスペクトル事前強化デュアルドメイン潜在拡散フレームワークである。本フレームワークは,画像の直接再構成と投影領域の復号化結果を統合する。シミュレーションおよび実世界のデータセットの実験により、FSP-Diffは画像の品質と計算効率の両方において最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2026-02-08T14:13:19Z)
Advanced Geometric Correction Algorithms for 3D Medical Reconstruction: Comparison of Computed Tomography and Macroscopic Imaging [0.9395222766576343]
本稿では, マクロスライスから3次元腎解剖を再構築するためのハイブリッド2段階登録フレームワークを提案する。これは、マクロ画像の典型的なデータスカシティと高歪みの課題に対処する。提案手法は,光学的および写真的断面から再構成した他の軟部臓器に一般化する。
論文参考訳（メタデータ） (2026-01-30T17:16:17Z)
Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューション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） (2025-12-13T08:31:46Z)
Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文参考訳（メタデータ） (2025-10-25T15:40:07Z)
CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文参考訳（メタデータ） (2024-06-21T08:38:30Z)
MSDiff: Multi-Scale Diffusion Model for Ultra-Sparse View CT Reconstruction [5.5805994093893885]
マルチスケールディフ融合モデル(MSDiff)を用いた超スパースCT再構成法を提案する。提案モデルは,包括的サンプリングと選択的スパースサンプリング技術の両方からの情報を統合する。プロジェクションデータ内の固有相関を利用して、同値マスクを設計し、モデルがより効果的に注意を集中できるようにする。
論文参考訳（メタデータ） (2024-05-09T14:52:32Z)
DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文参考訳（メタデータ） (2024-04-27T12:55:13Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)

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。