論文の概要: UniH$^3$: Unifying Hierarchical Homogeneity and Heterogeneity for All-in-One Medical Image Restoration

• arxiv url: http://arxiv.org/abs/2609.11156v1
• Date: Thu, 10 Sep 2026 07:02:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.238941
• Title: UniH$^3$: Unifying Hierarchical Homogeneity and Heterogeneity for All-in-One Medical Image Restoration
• Title（参考訳）: UniH$^3$: オールインワン医用画像修復のための階層的均一性と不均一性の統合
• Abstract要約: 我々は、オールインワンの医用画像復元のための階層的均一性と異種性を統一するフレームワークUniH3を提案する。 UniH3は、オールインワンとシングルタスクの医療画像復元において最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 10.948995859456787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: All-in-One medical image restoration (MedIR) aims to address diverse tasks across modalities and degradation types using a single universal model. Existing methods typically prioritize modeling inter-task heterogeneity (e.g., distinct data distributions and degradation types). However, they largely neglect the inherent homogeneity present in medical images, such as widely shared anatomical structures within and across modalities, which can be leveraged to ease model training and improve generalization. To this end, we propose UniH3, a novel framework that Unifies Hierarchical Homogeneity and Heterogeneity for all-in-one medical image restoration. Specifically, to comprehensively exploit homogeneity, we introduce a Hierarchical Homogeneity Memory (H2M) module that progressively distills intra- and inter-task homogeneity priors from high-quality images during training, and adaptively retrieves the most relevant priors tailored to the input for guided restoration. These retrieved priors are then injected into the restoration pipeline via an efficient Homogeneity-Guided Attention (HGA) mechanism. Furthermore, to comprehensively address heterogeneity, we design a Hierarchical Heterogeneity Balancer (H2B) that mitigates both inter- and intra-task conflicts during optimization, facilitating balanced and effective multi-task learning. Extensive experiments on two large-scale benchmarks, MedIR-2D-500K and MedIR-3D-3K, demonstrate that UniH3 achieves state-of-the-art performance on both all-in-one and single-task medical image restoration. We hope this work establishes a strong benchmark and advances the development of general-purpose medical image restoration models. Code is available at https://github.com/Yaziwel/UniH3.
• Abstract（参考訳）: オールインワンの医療画像復元(MedIR)は、単一の普遍モデルを用いて、モダリティや劣化タイプにまたがる多様なタスクに対処することを目的としている。 既存の手法は、通常、タスク間の不均一性(例えば、異なるデータ分布と分解タイプ)のモデリングを優先する。 しかし、彼らは、モデルトレーニングの容易化と一般化の改善に活用できる、広く共有される解剖学的構造など、医学画像に存在する固有の均質性を無視している。 この目的のために、我々は、オールインワンの医用画像復元のための階層的均一性と異種性を統一する新しいフレームワークUniH3を提案する。 具体的には、均一性を包括的に活用するために、トレーニング中に高品質の画像からタスク内およびタスク間均一性を段階的に蒸留する階層的均一性記憶(H2M)モジュールを導入し、ガイド付き復元のための入力に適合した最も関連性の高い先行情報を適応的に検索する。 これらの抽出された前者は、効率的なホモジニティ誘導注意(HGA)機構を介して修復パイプラインに注入される。 さらに、不均一性に包括的に対処するために、最適化中のタスク間競合とタスク内競合を緩和し、バランスの取れた効果的なマルチタスク学習を容易にする階層的不均一バランス器(H2B)を設計する。 MedIR-2D-500KとMedIR-3D-3Kという2つの大規模ベンチマークの大規模な実験は、UniH3がオールインワンとシングルタスクの医療画像の復元において最先端のパフォーマンスを達成することを示した。 この研究が強力なベンチマークを確立し、汎用的な医用画像復元モデルの開発を進展させることを願っている。 コードはhttps://github.com/Yaziwel/UniH3.comで入手できる。

関連論文リスト

• VLM-Guided Group Preference Alignment for Diffusion-based Human Mesh Recovery [75.62565146049015]
  我々は、予測メッシュの文脈認識品質スコアを生成するために、自己回帰付きデュアルメモリ拡張HMRクオリティエージェントを導入する。 これらのスコアは、人間の3次元運動構造、物理的実現可能性、入力画像との整合性に関するきめ細かい手がかりを蒸留する。 拡散型HMRモデルの微調整のためのグループ選好アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T13:19:06Z)
• Bridging Degradation Discrimination and Generation for Universal Image Restoration [18.085443590549087]
  本稿では,Bdging Degradation discrimination and Generation (BDG) という新しい手法を提案する。 マルチアングルおよびマルチスケールグレーレベル共起行列(MAS-GLCM)を提案する。 本研究の目的は,MAS-GLCMからの識別情報を復元プロセスに統合しながら,豊かなテクスチャを復元する拡散モデルの能力を維持することである。
  論文  参考訳（メタデータ） (2026-01-31T07:46:28Z)
• Vision-Language Controlled Deep Unfolding for Joint Medical Image Restoration and Segmentation [34.04441838578788]
  AiOMIRSとオールインワン医用画像修復のための原則的枠組みを提案する。 本研究では,大域的セグメンテーションのための長距離依存関係を捕捉し,復元に必要な高周波テクスチャを保存するための周波数認識型Mamba機構を提案する。 AiOMIRSタスクの先駆的な作業として、VL-DUNはマルチモーダルベンチマークにまたがる新しい最先端技術を確立し、PSNRを0.92dB、Dice係数を9.76%改善した。
  論文  参考訳（メタデータ） (2026-01-30T15:48:35Z)
• UniX: Unifying Autoregression and Diffusion for Chest X-Ray Understanding and Generation [98.93314262366681]
  胸部X線理解・生成のための次世代統合医療基盤モデルUniXについて述べる。 UniXは2つのタスクを、理解のための自己回帰分岐と高忠実度生成のための拡散分岐に分離する。 2つの代表的なベンチマークでは、Unixは46.1%の性能向上と24.2%の世代品質向上を実現している。
  論文  参考訳（メタデータ） (2026-01-16T18:59:58Z)
• Reconstruct or Generate: Exploring the Spectrum of Generative Modeling for Cardiac MRI [11.267487718542442]
  医用画像では、生成モデルは2つの異なるが等しく重要なタスクにますます依存している。 世代は高い知覚品質と多様性を求め、再構築はデータの忠実さと忠実さに重点を置いている。 本研究では「生成モデル動物園」を導入し、現代の潜伏拡散モデルと自己回帰モデルがどのように再構成世代スペクトルをナビゲートするかを分析する。
  論文  参考訳（メタデータ） (2025-07-25T11:53:50Z)
• GAS: Generative Avatar Synthesis from a Single Image [54.95198111659466]
  本研究では,1枚の画像から一対一かつ時間的にコヒーレントなアバターを合成する枠組みを提案する。 提案手法は, 回帰に基づく3次元再構成と拡散モデルの生成能力を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-02-10T19:00:39Z)
• HAGAN: Hybrid Augmented Generative Adversarial Network for Medical Image Synthesis [39.3485363570488]
  組織と組織細胞の信頼性を維持するために,Hybrid Augmented Generative Adrial Network (HAGAN)を提案する。 HAGANには、アテンション混合(AttnMix)ジェネレータ、階層ディスクリミネータ、およびディスクリミネータとジェネレータ間のリバーススキップ接続が含まれている。
  論文  参考訳（メタデータ） (2024-05-08T09:13:42Z)
• Parameter Efficient Adaptation for Image Restoration with Heterogeneous Mixture-of-Experts [52.39959535724677]
  画像復元モデルの一般化を改善するための代替手法を提案する。 ローカル,グローバル,チャネル表現ベースをキャプチャするマルチブランチ設計のMixture-of-Experts (MoE) であるAdaptIRを提案する。 我々のAdaptIRは、単一劣化タスクにおける安定した性能を実現し、8時間間、微調整はわずか0.6%のパラメータしか持たず、ハイブリッド劣化タスクにおいて優れる。
  論文  参考訳（メタデータ） (2023-12-12T14:27:59Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。