論文の概要: Fast Cross-Strength Multi-Contrast Brain MRI Translation using Latent Bridge Matching

• arxiv url: http://arxiv.org/abs/2609.20341v1
• Date: Thu, 17 Sep 2026 13:10:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.28404
• Title: Fast Cross-Strength Multi-Contrast Brain MRI Translation using Latent Bridge Matching
• Title（参考訳）: ラテントブリッジマッチングを用いた高速クロスコントラストマルチコントラスト脳MRI変換
• Abstract要約: 異なる磁場強度で取得した磁気共鳴イメージング(MRI)は、ノイズ、解像度、均一性、コントラストの顕著な変化を示す。 我々は、条件付き潜在ブリッジマッチングのフレームワーク上に構築された、制御可能なフィールド・ツー・フィールド合成のための統一条件モデルを用いてこの問題に対処する。 単一の推論ステップだけで高速な生成を実現し、90ドル以下で30ドル以下の軸スライスですべてのモダリティとフィールド強度の組み合わせを生成します。
• 参考スコア（独自算出の注目度）: 8.416391522242812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) acquired at different field strengths exhibits pronounced variation in noise, resolution, homogeneity, and contrast, which limits comparability across acquisition settings and complicates downstream analysis. We address this with a unified conditional model for controllable field-to-field synthesis, built on the framework of conditional latent bridge matching. Our single model achieves highly competitive results across the validation phase for all three tasks of the MRIxFields2026 challenge without task-specific architectures or training. We achieve fast generation with only a single inference step, producing all modality and field-strength combinations for $30$ axial slices in under $90$ seconds, as well as cross-modality-strength translation for a full volume in under $70$ seconds, on a single NVIDIA A5000 GPU. We further provide extensive ablations regarding different components of our solution. Code: https://gitlab.com/siddharthsrivastava/mrixfields-2026
• Abstract（参考訳）: 異なる磁場強度で取得された磁気共鳴イメージング(MRI)は、ノイズ、解像度、均一性、コントラストの顕著な変化を示し、取得設定間の互換性を制限し、下流分析を複雑にする。 我々は、条件付き潜在ブリッジマッチングのフレームワーク上に構築された、制御可能なフィールド・ツー・フィールド合成のための統一条件モデルを用いてこの問題に対処する。 我々は,MRIxFields2026課題の3つのタスクに対して,タスク固有のアーキテクチャやトレーニングを使わずに,検証フェーズ間で高い競争力を発揮する。 単一の推論ステップだけで高速な生成を実現し、90ドル以下で30ドル以下の軸スライスですべてのモダリティとフィールド強度の組み合わせを生成します。 さらに、ソリューションのさまざまなコンポーネントに関する広範な説明を提供します。 コード:https://gitlab.com/siddharthsrivastava/mrixfields-2026

関連論文リスト

• Multimodal Ambivalence and Hesitancy Recognition via Cross-Attention and Gated Fusion [1.6950215926321557]
  本稿では,ECCV 2026におけるABAW11チャレンジのために開発されたビデオにおけるAmbivalence/Hesitancy(A/H)認識のためのフレームワークを提案する。 提案手法は,BAHデータセットから抽出したテキスト,音響,視覚のモダリティを融合する。 このモデルは検証セット上で textbf0.7394 のマクロ F1 を達成する。
  論文  参考訳（メタデータ） (2026-07-17T09:23:36Z)
• VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation [5.653007117827187]
  拡散モデルは高品質な合成データを生成するが、推論が遅い。 可変ステップ拡散確率モデル(VS-DDPM)を提案する。 我々はBraTS2025とSynthRAD2025の課題において,MRI,腫瘍摘出,MRI-to-sCT,CBCT-to-sCTの4つの課題について検討した。
  論文  参考訳（メタデータ） (2026-04-24T18:32:22Z)
• WFM: 3D Wavelet Flow Matching for Ultrafast Multi-Modal MRI Synthesis [6.254452637507739]
  WFM(Wavelet Flow Matching, ウェーブレットフローマッチング)は, ウェーブレット空間における条件付きモーダル性の平均から, ターゲット分布への直接フローを学習する手法である。 BraTS 2024では、WFMは拡散ベースラインの1-2dB以内で26.8dB PSNRと0.94SSIMを達成した。
  論文  参考訳（メタデータ） (2026-04-22T23:19:50Z)
• EarthBridge: A Solution for 4th Multi-modal Aerial View Image Challenge Translation Track [5.330035721949073]
  エレクトロオプティカル・オプティカル(EO)、赤外線(IR)、合成開口レーダ(SAR)センサー間の画像・画像間の相互変換は、総合的な航空ビュー解析に不可欠である。 本稿は,第4回多目的航空ビュー画像チャレンジ(MAVIC-T)のために開発された高忠実度翻訳フレームワークである textbfEarthBridge について述べる。 その結果,MAVIC-Tのスコアは0.38で,MAVIC-Tのスコアは2位となった。
  論文  参考訳（メタデータ） (2026-03-06T12:28:46Z)
• Benchmarking GANs, Diffusion Models, and Flow Matching for T1w-to-T2w MRI Translation [3.9672323132974525]
  I2Iアプローチは、診断品質を維持しながらMRIコントラストを合成することを目的としている。 本稿では,生成的獲得モデル,拡散モデル,フローベースマッチング技術に関する包括的なフレームワークを提案する。 結果は、フローベースのモデルはデータセットや単純なタスクに過度に適合する傾向があり、既存のメソッドにマッチしたり、超えたりするためにより多くのデータを必要とする可能性があることを示唆している。
  論文  参考訳（メタデータ） (2025-07-19T10:58:02Z)
• MINIMA: Modality Invariant Image Matching [52.505282811925454]
  複数のクロスモーダルケースを対象とした統合画像マッチングフレームワークであるMINIMAを提案する。 生成モデルを用いて、安価だがリッチなRGBのみのマッチングデータからモダリティをスケールアップする。 MD-synでは、任意の高度なマッチングパイプラインをランダムに選択したモダリティペアで直接訓練して、クロスモーダル能力を得ることができる。
  論文  参考訳（メタデータ） (2024-12-27T02:39:50Z)
• Diffusion for Natural Image Matting [88.58577778234036]
  DiffMatteは、画像マッチングの課題を克服するために設計されたソリューションである。 まず、DiffMatteはデコーダを複雑な結合されたマッティングネットワーク設計から切り離し、拡散プロセスのイテレーションで1つの軽量デコーダだけを含む。 第2に、均一な時間間隔を持つ自己整合トレーニング戦略を採用し、時間領域全体にわたるトレーニングと推論の間に一貫したノイズサンプリングを確保する。
  論文  参考訳（メタデータ） (2023-12-10T15:28:56Z)
• Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
  クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。 既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。 マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T11:40:40Z)
• BridgeTower: Building Bridges Between Encoders in Vision-Language Representation Learning [91.93547262073213]
  近年,2towerアーキテクチャを用いた視覚言語モデル(VL)が視覚表現学習を支配している。 そこで,BridgeTowerを提案する。このBridgeTowerは,ユニモーダルエンコーダの上位層とクロスモーダルエンコーダの各層との間の接続を構築する複数のブリッジ層を提供する。 BridgeTowerは78.73%の精度を達成し、以前の最先端モデルであるMETERを1.09%上回った。
  論文  参考訳（メタデータ） (2022-06-17T09:42:35Z)

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。