論文の概要: Null-Space Diffusion Restoration with Adaptive Uncertainty-Guided Fusion for Ultrasound Speckle Reduction

• arxiv url: http://arxiv.org/abs/2608.29820v1
• Date: Sun, 30 Aug 2026 14:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.085222
• Title: Null-Space Diffusion Restoration with Adaptive Uncertainty-Guided Fusion for Ultrasound Speckle Reduction
• Title（参考訳）: 超音波スペックル低減のための適応的不確かさ誘導核融合によるNull空間拡散回復
• Abstract要約: 超音波Bモードイメージングは通常、スペックルノイズやアーティファクトに悩まされる。 新しい不確実性誘導型ヌル空間拡散(UGNS)フレームワークは、安定化された正エンベローププロキシ上での整合性を強制する。 UGNSは細かな空間分解能を保ちながらスペックルノイズを効果的に抑制することが検証された。
• 参考スコア（独自算出の注目度）: 2.081691729410268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultrasound B-mode imaging commonly suffers from speckle noise and artifacts, requiring a delicate balance between contrast, resolution, and preservation of anatomical structures. Although recently developed despeckling methods have achieved some progress, supervised learning approaches remain fundamentally limited by the ground truth paradox, which arises from the absence of noise-free, ground truth reference images in in vivo scenarios. Existing unsupervised diffusion-based methods typically enforce data consistency directly in the nonlinear log-compressed domain, which can disproportionately amplify background artifacts when mapped back to the envelope domain. To overcome these limitations, we propose an uncertainty-guided null-space diffusion (UGNS) framework, a novel label-free solution that enforces consistency correction on a stabilized positive-envelope proxy obtained via inverse log compression. The proposed UGNS introduces several technical novelties: (a) extraction of a structural prior in the stabilized envelope domain to produce a robust signal envelope that preserves anatomical structure, (b) development of an adaptive range-null reconstruction mechanism that uses an adaptive weight mask to preserve tissue regions via range-space projection, and (c) introduction of uncertainty-guided fusion in an adaptive way to mitigate sampling variability. Extensive and comparative experiments were conducted using the PICMUS benchmark and in vivo datasets. The results demonstrate that UGNS achieves competitive generalized contrast-to-noise ratio (gCNR) values across diverse datasets. In addition, it is successfully validated that UGNS effectively suppresses speckle noise while preserving fine spatial resolution. Code is available at https://github.com/yousirong/UGNS.git.
• Abstract（参考訳）: 超音波Bモードイメージングは通常、スペックルノイズやアーティファクトに悩まされ、コントラスト、解像度、解剖学的構造の保存の微妙なバランスを必要とする。 最近開発された非特異化法は、いくつかの進歩を遂げているが、教師付き学習アプローチは、インビボのシナリオにおいて、ノイズのない、基底的な真実参照画像が存在しないことから生じる、基礎的な真理パラドックスによって、基本的に制限されている。 既存の教師なし拡散法は、典型的には非線形対数圧縮領域でデータ一貫性を直接強制し、エンベロープ領域にマッピングされたとき、背景アーティファクトを不均等に増幅することができる。 これらの制限を克服するために,不確実性誘導型ヌル空間拡散(UGNS)フレームワークを提案する。 提案されたUGNSはいくつかの技術的ノベルティを紹介している。 a) 安定化エンベロープ領域における構造先行の抽出により、解剖学的構造を保存する堅牢な信号エンベロープを生成する。 (b)適応重量マスクを用いて範囲空間投影による組織領域の保存を行う適応範囲無効再構築機構の開発、及び (c)サンプリング変動を緩和する適応的な方法での不確実性誘導核融合を導入すること。 PICMUSベンチマークとin vivoデータセットを用いて、広範および比較実験を行った。 その結果,UGNSは多様なデータセット間で競合一般化コントラスト-ノイズ比(gCNR)の値を得ることができた。 さらに,UGNSは細かな空間分解能を保ちながらスペックルノイズを効果的に抑制できることを確認した。 コードはhttps://github.com/yousirong/UGNS.gitで入手できる。

関連論文リスト

• Local Epistemic Uncertainty Guided Active Sampling for Plug-and-play Diffusive Image Restoration [15.371827475537776]
  局所的不確実性ガイド型アクティブサンプリングフレームワークを開発した。 空間領域における細部保存とアーティファクトの抑制のバランスをとる。 メモリオーバーヘッドを無視してサンプリング時間を短縮する。
  論文  参考訳（メタデータ） (2026-08-07T09:00:20Z)
• UniNDM: A Unified Noise-driven Detection and Mitigation Framework Against Sexual Content in Text-to-Image Generation [90.0896070825457]
  本稿では,拡散過程におけるノイズダイナミクスのレンズを通して,安全機構を再考する統合ノイズ駆動フレームワークを提案する。 我々の重要な洞察は、早期の予測ノイズは、正常な内容と性的な内容の間に固有の分離性を示すことである。 我々は,計算オーバーヘッドがほとんどなく,精度の高い軽量ノイズベース検出器を開発した。
  論文  参考訳（メタデータ） (2026-07-18T14:03:39Z)
• scHelix: Asymmetric Dual-Stream Integration via Explicit Gene-Level Disentanglement [84.88065404629079]
  scHelixは、機能がどのように処理されるかを根本的に変更するデータセット適応フレームワークである。 scHelixは、停止段階のグラフキャッシュを備えたデュアルストリームスパース拡散エンコーダを使用する。 scHelixは最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2026-05-18T15:55:13Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Towards Trustworthy Selective Generation: Reliability-Guided Diffusion for Ultra-Low-Field to High-Field MRI Synthesis [7.756520887774262]
  低磁場-高磁場MRI合成は、ハードウェアおよび取得制約下での画像品質を向上させるための費用対効果の戦略として登場した。 近年の拡散モデルの発展にもかかわらず、拡散に基づくアプローチは細部回復と構造的忠実さのバランスをとるのにしばしば苦労する。 本稿では,サンプリングおよびポストジェネレーション段階におけるロバスト性を改善する信頼性を考慮した拡散フレームワーク(ReDiff)を提案する。
  論文  参考訳（メタデータ） (2026-03-11T21:38:22Z)
• DNA-Prior: Unsupervised Denoise Anything via Dual-Domain Prior [16.157485578881385]
  DNA-Priorは、汚染された観察からクリーンな画像を直接再構成する、普遍的な教師なしの認知フレームワークである。 種々のノイズ条件下でDNAが一貫したノイズ抑制と構造保存を実現することを示す。
  論文  参考訳（メタデータ） (2025-11-28T12:15:27Z)
• SARD: Segmentation-Aware Anomaly Synthesis via Region-Constrained Diffusion with Discriminative Mask Guidance [4.65786322515141]
  SARD (Segmentation-Aware anomaly synthesis via Region-constrained Diffusion with discriminative mask Guidance) は, 異常生成に特化して設計された新しい拡散型フレームワークである。 SARDは、セグメンテーションの精度と視覚的品質において既存の手法を超越し、ピクセルレベルの異常合成のための新しい最先端技術を確立している。
  論文  参考訳（メタデータ） (2025-08-05T06:43:01Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction Network [10.09577595969254]
  CNNに基づくアプローチは、CT画像のすべての領域を等しく扱い、不均一に分布するノイズと共存する微細な構造が共存する場合、非効率である。 本稿では,カーネル予測ネットワークと構造認識損失関数を組み合わせた構造保存カーネル予測ネットワーク(StructKPN)を提案する。 提案手法は, 合成データセットと非合成データセットの両方において優れた性能を達成し, 臨床スクリーニングや低線量プロトコル最適化において望まれる構造を良好に保存する。
  論文  参考訳（メタデータ） (2021-05-31T07:42:21Z)

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。