論文の概要: One-Step Is Optimal: Unconditional Rectified Flows are Noise2Noise Denoisers, and Multi-Step Integration Provably Hurts---A Benchmark and Task-Based Detectability Study on Low-Dose CT
- arxiv url: http://arxiv.org/abs/2609.31670v1
- Date: Tue, 15 Sep 2026 19:53:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 14:03:27.099293
- Title: One-Step Is Optimal: Unconditional Rectified Flows are Noise2Noise Denoisers, and Multi-Step Integration Provably Hurts---A Benchmark and Task-Based Detectability Study on Low-Dose CT
- Title（参考訳）: ワンステップは最適:非条件整流流はノイズ2ノイズデノイザであり、多段階積分はおそらくハートである---低線CTのベンチマークとタスクベース検出性の検討
- Abstract要約: 多段階統合は、クリーン信号分布よりもノイズの多いデータ分布で終了するため、MMSEソリューションから確実に離脱する。
マッチした雑音のペアで訓練されたワンステップ回帰器は、最高のラベルなし結果(+1.99$,dB)を与える。
- 参考スコア（独自算出の注目度）: 5.0448084246428015
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Iterative and generative denoisers are increasingly used under the assumption that multi-step refinement outperforms a single regression pass. We show the opposite for \emph{label-free} denoising. An \emph{unconditional} rectified flow trained on two noisy observations of the same signal, as in Noise2Noise, has a minimiser whose one-step readout is exactly the MMSE denoiser without requiring clean targets. In contrast, multi-step integration provably departs from the MMSE solution because the flow terminates at the noisy data distribution rather than the clean-signal distribution. This departure is exact in a tractable Gaussian model and is confirmed experimentally: one-step flow matches a direct regressor, whereas multi-step Euler integration progressively reduces fidelity. Counterintuitively, the degradation increases with training quality, as a better velocity field more faithfully transports samples toward the noisy terminal law. The key ingredient is therefore the decorrelated \emph{pairing}, not the flow machinery: a one-step regressor trained on matched noisy pairs gives our best label-free result ($+1.99$,dB). We evaluate these findings on \textbf{CTDenoiser}, a controlled low-dose CT benchmark spanning five architectures and supervised, similarity-based, blind-spot, and per-image methods. Among label-free approaches, only correlated-noise-aware Noise2Sim improves over the noisy baseline, while Noise2Void is flat-to-negative because CT noise violates its pixel-independence assumption. Finally, although supervised denoisers gain approximately $4$,dB PSNR, a channelized Hotelling observer shows reduced low-contrast lesion detectability, revealing clinically relevant degradation missed by PSNR and SSIM.
- Abstract（参考訳）: 反復的および生成的デノイザは、多段階の洗練が単一の回帰パスを上回るという仮定のもと、ますます使われる。
emph{label-free} denoising の逆を示す。
ノイズ2ノイズと同様、同じ信号の2つのノイズ観測に基づいてトレーニングされた \emph{unconditional} 整流流は、一段階の読み出しが、クリーンな目標を必要とせず、正確にMMSEデノイザであるミニミザーを持つ。
対照的に、マルチステップ統合は、クリーン信号分布よりもノイズの多いデータ分布で終了するため、MMSEソリューションから確実に離脱する。
1ステップのフローは直接回帰器と一致するが、マルチステップのオイラー積分は徐々に忠実度を減少させる。
より良い速度場がより忠実にサンプルをノイズのある終端法則へ輸送するので、トレーニング品質とともに劣化は増加する。
したがって、重要な要素は、流れの機械ではなく、非相関な「emph{pairing}」である:一致した雑音のペアで訓練された1ステップの回帰器は、最高のラベルのない結果(+1.99$,dB)を与える。
この結果は,5つのアーキテクチャにまたがる低用量CTベンチマークであるtextbf{CTDenoiser} で評価され,類似性,盲点,画像毎の手法が制御されている。
ラベルのないアプローチでは、相関ノイズ対応ノイズ2Simのみがノイズベースラインよりも改善され、一方、ノイズ2Voidは、CTノイズが画素依存性の仮定に違反しているため、フラットからネガティブである。
最後に, 監督型難聴者は約4ドルでPSNRを得たが, チャネル化されたHotellingObserverは低コントラスト病変の検出能が低下し, PSNRとSSIMが欠落した臨床関連劣化がみられた。
関連論文リスト
- Fidelity-Constrained Anchoring for Black-Box Denoisers [0.0]
本稿では,ブラックボックスのデノイザを再学習することなく,計算量が少なく入力にアンカーするフレームワークを提案する。
提案手法は, ノイズ発生性能と統計的自然さのバランスを保ちながら, 有効忠実度制御を実現する。
特に、SSIMベースのアンカーは、PSNRベースのアンカーよりもノイズレベルにわたってより一貫した振る舞いをもたらす。
論文 参考訳（メタデータ） (2026-08-13T12:59:32Z) - SATB-VR: Training Few-Step Video Restoration Diffusion Model using SNR-Aware Trajectory Blending [55.764018145256216]
本稿では,補助予測器を介してデノナイジングプロセスを開始する数ステップのパラダイムであるSATB-VRを提案する。
我々は,SATB-VRが,合成,実世界,AIGCベンチマークにおける既存のアプローチに対して良好に動作することを示す。
論文 参考訳（メタデータ） (2026-06-27T01:32:16Z) - RelativeFlow: Taming Medical Image Denoising Learning with Noisy Reference [11.027227615589247]
MID(Malical Image Denoising)には、監督のためのクリーンなイメージがまったくないため、ノイズの多い参照問題が発生します。
異種ノイズ参照から学習するフローマッチングフレームワークである textbfRelativeFlow を提案する。
RelativeFlowは、絶対ノイズ-クリーンマッピングを相対ノイズ-ノイズ-ノイズマッピングに分解することで、フローマッチングを再構成する。
論文 参考訳（メタデータ） (2026-04-16T18:18:27Z) - How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime? [78.0226274470175]
我々は、勾配更新にラベルノイズを導入することで、ニューラルネットワーク(NN)のテスト性能が向上するかどうか検討する。
学習中のラベルノイズの付加は,学習過程を支配することを防止し,雑音の記憶を抑制することを実証する。
対照的に、標準GDで訓練されたNNは、同じ低SNR環境でのノイズに過度に適応する傾向にある。
論文 参考訳（メタデータ） (2025-10-20T13:28:13Z) - From Entity Reliability to Clean Feedback: An Entity-Aware Denoising Framework Beyond Interaction-Level Signals [20.323837731778358]
暗黙のフィードバックはレコメンデーションシステムの中心であるが、本質的にノイズがあり、しばしばモデルのトレーニングやユーザエクスペリエンスの劣化を損なう。
textbfEARD(textbfEntity-textbfAware textbfReliability-textbfDriven Denoising)は,インタラクションレベルの信号からエンティティレベルの信頼性に移行する軽量フレームワークである。
論文 参考訳（メタデータ） (2025-08-14T17:20:12Z) - Optimal High-probability Convergence of Nonlinear SGD under Heavy-tailed Noise via Symmetrization [50.49466204159458]
雑音対称性に基づく2つの新しい推定器を提案する。
よりシャープな分析と改善されたレートを提供します。
モーメントと対称雑音を仮定する作業と比較して、よりシャープな解析と改善率を提供する。
論文 参考訳（メタデータ） (2025-07-12T00:31:13Z) - Test-Time Scaling of Diffusion Models via Noise Trajectory Search [10.8507840358202]
我々は,デミキシングの中間段階において,極端時間と局所的なエクスプロイトをグローバルに探索する$epsilon$-greedy検索アルゴリズムを導入する。
EDMと安定拡散の実験は、クラス条件/テキスト-画像生成のための最先端スコアを明らかにする。
論文 参考訳（メタデータ） (2025-05-24T19:13:29Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Latent Class-Conditional Noise Model [54.56899309997246]
本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。
次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。
提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
論文 参考訳（メタデータ） (2023-02-19T15:24:37Z) - Learning based signal detection for MIMO systems with unknown noise
statistics [84.02122699723536]
本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。
実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。
我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
論文 参考訳（メタデータ） (2021-01-21T04:48:15Z)
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。