論文の概要: Physics-Guided Flow Matching for CT Image Reconstruction

• arxiv url: http://arxiv.org/abs/2608.28256v1
• Date: Fri, 28 Aug 2026 12:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.313082
• Title: Physics-Guided Flow Matching for CT Image Reconstruction
• Title（参考訳）: CT画像再構成のための物理誘導フローマッチング
• Abstract要約: フローマッチングは高分解能CT画像再構成のための代替生成法である。 マヨクリニック低線量CTデータセットから256x256胸部画像を用いた高分解能リクティファイドフローマッチングモデルを訓練する。
• 参考スコア（独自算出の注目度）: 0.8460698440162889
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep generative models have recently emerged as powerful priors for solving ill-posed inverse problems in CT, with diffusion-based approaches achieving state-of-the-art reconstruction performance. However, diffusion models typically rely on stochastic sampling procedures, long inference trajectories, and carefully tuned noise schedules, which can limit computational efficiency and numerical stability, especially at high spatial resolutions. In this work, we investigate Flow Matching as an alternative generative prior for CT reconstruction. We train a high-resolution Rectified Flow Matching model on 256x256 chest images from the Mayo Clinic Low-Dose CT dataset. To mitigate overfitting and limited anatomical variability, we employ a two-stage training strategy consisting of an initial phase with strong, anatomically informed data augmentation, followed by a fine-tuning phase with reduced or no augmentation to refine structural fidelity. The resulting model is capable of generating high-quality and anatomically coherent CT-like images, serving as a strong learned prior. We then evaluate multiple reconstruction methods specifically designed for Flow Matching models, including Plug-and-Play Flow, FlowDPS, Flower, and Flow-Priors (ICTM), and compare them against state-of-the-art diffusion-based reconstruction algorithms such as DDRM, DPS, and DiffPIR. Experimental results across several CT inverse problem settings show that Flow Matching-based approaches consistently outperform diffusion-based methods in terms of PSNR, SSIM, and perceptual quality, while requiring fewer sampling steps. Finally, we publicly release the trained Flow Matching model and accompanying code to facilitate reproducibility and future research. Overall, this work demonstrates that Flow Matching provides a stable, efficient, and effective alternative to diffusion models for high-resolution CT image reconstruction.
• Abstract（参考訳）: 深部生成モデルは近年CTにおける不適切な逆問題を解決するための強力な先駆体として登場し、拡散に基づくアプローチにより最先端の再構成性能を実現している。 しかし拡散モデルは一般に確率的なサンプリング手順、長い推測軌道、注意深く調整されたノイズスケジュールに依存しており、特に高空間分解能において計算効率と数値安定性を制限することができる。 そこで本研究では,CT再建に先立つ新たな生成因子として,フローマッチングについて検討する。 マヨクリニック低線量CTデータセットから256x256胸部画像を用いた高分解能リクティファイドフローマッチングモデルを訓練する。 オーバーフィッティングを緩和し, 解剖学的変動を制限するために, 強靭で解剖学的に情報量の多い初期段階と微調整段階の2段階の訓練戦略を採用し, 構造的忠実度を向上するための微調整を施した。 得られたモデルは、高品質で解剖学的に整合したCTライクな画像を生成することができる。 次に,Fluse-and-Play Flow,FlowDPS,Flower,Flow-Priors (ICTM) などのフローマッチングモデルに特化して設計された複数の再構成手法を評価し,DDRM,DPS,DiffPIRといった最先端拡散に基づく再構成アルゴリズムと比較する。 複数のCT逆問題設定に対する実験結果から,フローマッチングに基づくアプローチはPSNR, SSIM, 知覚的品質の面で一貫して拡散法を上回り, サンプリングステップは少なくなった。 最後に、トレーニング済みのFlow Matchingモデルと、再現性や今後の研究を容易にするためのコードについて公開します。 本研究は,高分解能CT画像再構成のための拡散モデルに対して,フローマッチングが安定かつ効率的かつ効果的な代替手段であることを示す。

関連論文リスト

• Efficient Flow Matching for Sparse-View CT Reconstruction [7.05503627528473]
  Flow Matching (FM)モデルはノイズ注入なしで滑らかな軌道を示す。 FMCT(FM-based CT reconstruction framework)を提案する。 FMCT/EFMCTは,拡散法と比較して計算効率を著しく向上しつつ,競争力のある再構成品質を実現する。
  論文  参考訳（メタデータ） (2026-02-27T11:13:43Z)
• 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)
• Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction [5.107409624991683]
  Tunable-geneRalizatioN Diffusion (TurnDiff) は低用量CT再構成のための自己教師付き文脈データを用いている。 TurnDiffは、再構築と一般化の両方において、最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-28T13:50:29Z)
• Noise-Inspired Diffusion Model for Generalizable Low-Dose CT Reconstruction [37.71732274622662]
  そこで本研究では,各領域の雑音特性に対する拡散モデルの調整を行うNEEDと呼ばれる,一般化可能な低線量CT再構成のためのノイズインスピレーション拡散モデルを提案する。 これら2つの拡散モデルを二重ドメイン再構成のためにカスケードすることで、NEEDはトレーニングに通常用量データしか必要とせず、テスト中に様々な未確認量レベルに効果的に拡張できる。
  論文  参考訳（メタデータ） (2025-06-27T08:24:55Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Tomographic Foundation Model -- FORCE: Flow-Oriented Reconstruction Conditioning Engine [9.228750443979733]
  深層学習はCT画像再構成を著しく進歩させた。 ディープラーニングの手法は、ほぼペアのデータでうまく機能するが、それらは本質的に幻覚のリスクを負う。 我々は新しいCTフレームワークFORCE(Flow-Oriented Restruction Conditioning Engine)を提案する。
  論文  参考訳（メタデータ） (2025-06-02T18:25:12Z)
• Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
  画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。 実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。 我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
  論文  参考訳（メタデータ） (2024-09-29T07:14:16Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Iterative CT Reconstruction via Latent Variable Optimization of Shallow Diffusion Models [1.4019041243188557]
  拡散確率モデルと反復CT再構成を組み合わせた新しいCT再構成法を提案する。 提案手法の有効性を1/10プロジェクションデータのスパースプロジェクションCT再構成を用いて実証した。
  論文  参考訳（メタデータ） (2024-08-06T12:55:17Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Normalizing Flows with Multi-Scale Autoregressive Priors [131.895570212956]
  マルチスケール自己回帰前処理(mAR)を通した遅延空間におけるチャネルワイド依存性を導入する。 我々のmARは、分割結合フロー層(mAR-SCF)を持つモデルに先立って、複雑なマルチモーダルデータの依存関係をよりよく捉えます。 我々は,mAR-SCFにより画像生成品質が向上し,FIDとインセプションのスコアは最先端のフローベースモデルと比較して向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-08T09:07:11Z)

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。