論文の概要: MIAR: Medical Image Super-Resolution With Autoregressive Modeling

• arxiv url: http://arxiv.org/abs/2609.26103v1
• Date: Wed, 05 Aug 2026 09:23:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.878629
• Title: MIAR: Medical Image Super-Resolution With Autoregressive Modeling
• Title（参考訳）: MIAR: 自己回帰モデルによる医用画像の超解像
• Abstract要約: 医用画像の超解像(MISR)は、ハードウェアの修正を必要とせず、空間分解能を高めることを目的としている。 マルチスケールの自己回帰フレームワークを用いて,超解像を条件付きおよびプログレッシブな次世代予測タスクとして再構成するMIARを提案する。
• 参考スコア（独自算出の注目度）: 25.466882366603418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical Image Super-Resolution (MISR) aims to enhance spatial resolution without requiring hardware modifications. Although deep learning has yielded promising results, existing paradigms face a critical trade-off: diffusion-based methods suffer from prohibitive inference latency and compromised structural fidelity, whereas regression-based models typically produce over-smoothed results that lack perceptual realism. To address these limitations, we propose MIAR, which reformulates super-resolution as a conditional and progressive next-scale prediction task through a multi-scale autoregressive framework. To ensure structural fidelity, we augment the autoregressive backbone with a Scale-Adaptive Structural Decoder. Furthermore, we integrate a hierarchical beam search strategy during inference to mitigate the recursive error accumulation inherent in autoregressive generation, a phenomenon that is especially pronounced in medical images. Extensive experiments demonstrate that MIAR establishes new state-of-the-art benchmarks while maintaining superior fidelity. Notably, our framework achieves a 7.86% improvement in the perceptual metric MUSIQ compared with the state of the art, while simultaneously delivering a 2.02x speedup over diffusion-based methods.
• Abstract（参考訳）: 医用画像の超解像(MISR)は、ハードウェアの修正を必要とせず、空間分解能を高めることを目的としている。 拡散ベースの手法は推論の遅延を禁止し、構造的忠実性を損なうのに対して、回帰ベースのモデルは一般的に知覚的リアリズムを欠く過度に滑らかな結果を生み出す。 これらの制約に対処するため、マルチスケールの自己回帰フレームワークを用いて、条件付きおよびプログレッシブな次世代予測タスクとして超解像を再構成するMIARを提案する。 構造的忠実性を確保するため,スケール適応型構造デコーダを用いて自己回帰バックボーンを増強する。 さらに,自己回帰生成に固有の再帰的エラー蓄積を緩和するために,推論中に階層的なビーム探索戦略を統合する。 大規模な実験は、MIARが優れた忠実性を維持しつつ、新しい最先端のベンチマークを確立することを実証している。 特に,我々のフレームワークは,拡散法よりも2.02倍のスピードアップを同時に実現しながら,知覚距離 MUSIQ の7.86% の改善を実現している。

関連論文リスト

• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Fractal Autoregressive Depth Estimation with Continuous Token Diffusion [24.726638033402747]
  粗大なプロセスとして深度推定を再構成するフラクタルビジュアル自己回帰拡散フレームワークを提案する。 条件付き拡散損失モデルが連続空間に直接分布し、離散量子化による誤差を緩和する。 標準ベンチマークの実験では、高い性能を示し、提案した設計の有効性を検証する。
  論文  参考訳（メタデータ） (2026-03-16T01:19:42Z)
• Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data [11.174208209806073]
  アンダーサンプリング戦略は画像の取得を加速させるが、多くの場合、画像のアーティファクトと劣化した品質をもたらす。 近年の拡散モデルでは、強力な画像先行学習により、アンダーサンプルデータから高忠実度画像の再構成が期待されている。 本稿では,反復的データ一貫性補正を伴う条件付きデノナイジング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:01:08Z)
• Sparsity-Driven Parallel Imaging Consistency for Improved Self-Supervised MRI Reconstruction [2.8237889121096034]
  本稿では,PD-DLネットワークを慎重に設計した摂動を用いてトレーニングする方法を提案する。 提案手法は,アーティファクトのエイリアスを効果的に低減し,高加速速度での雑音増幅を緩和することを示す。
  論文  参考訳（メタデータ） (2025-05-30T02:11:25Z)
• RestoreVAR: Visual Autoregressive Generation for All-in-One Image Restoration [51.77917733024544]
  潜時拡散モデル(LDM)はオールインワン画像復元法(AiOR)の知覚的品質を改善した。 LDMは反復的なデノゲーションプロセスによって推論が遅くなり、時間に敏感なアプリケーションでは実用的でない。 VAR(Visual Autoregressive Modeling)は、スケールスペースの自己回帰を行い、最先端の拡散変換器に匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2025-05-23T15:52:26Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Exploiting Diffusion Prior for Real-World Image Super-Resolution [75.5898357277047]
  本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。 時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
  論文  参考訳（メタデータ） (2023-05-11T17:55:25Z)

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。