論文の概要: PredRA: Fast Medical Image Translation by Deterministic Component Extraction and Controlled Stochastic Refinement

• arxiv url: http://arxiv.org/abs/2609.31912v1
• Date: Fri, 25 Sep 2026 18:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:38:43.709076
• Title: PredRA: Fast Medical Image Translation by Deterministic Component Extraction and Controlled Stochastic Refinement
• Title（参考訳）: PredRA:決定論的成分抽出と確率再構成による高速医用画像翻訳
• Abstract要約: 強いペアの医療画像翻訳は、ソースから直接予測できる実質的なコンポーネントを含んでいる。 本研究では,決定論的予測を安定基準として用いるフレームワークであるPredRAを提案する。 PredRAは、1.4-11.9倍の総パラメータと3.1-26.2倍のトレーニング可能なパラメータを持つ、かなり大きな最先端モデルに対して、競争力または優れた性能を達成する。
• 参考スコア（独自算出の注目度）: 6.142847233637248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Strongly paired medical image translation contains a substantial component that can be predicted directly from the source. The current reality is that pure deterministic prediction can smooth away fine detail, while generative models can recover detail but may also introduce unnecessary or potentially harmful variation. We propose PredRA, a fast framework that uses the deterministic prediction as a stable reference and further extracts additional deterministic components from the residual during generative refinement, thereby improving fidelity while maintaining perceptual quality. The goal is simple: we view the entire residual-based generative process as an optimization problem and derive a practical solution that recovers useful residual detail through controlled refinement while keeping the prediction close to the paired target. Mechanism studies further show that useful residual information follows structured patterns, but its usefulness is difficult to estimate reliably at the voxel level. We therefore globally control how much of the residual refinement is added to the deterministic prediction, thereby reducing the accumulation of unnecessary uncertainty. PredRA therefore combines deterministic component extraction with controlled stochastic refinement for fast, fidelity-preserving, and perceptually strong medical image translation. We validate the approach across multiple real-world datasets, showing that controlled refinement improves fidelity to the paired target compared with full residual refinement while retaining much of the perceptual benefit of generative modeling. PredRA achieves competitive or superior performance to substantially larger state-of-the-art models with 1.4-11.9x fewer total parameters and 3.1-26.2x fewer trainable parameters, while its 32-step flow sampler requires 31.25x fewer sampling steps than the matched 1000-step DDPM.
• Abstract（参考訳）: 強いペアの医療画像翻訳は、ソースから直接予測できる実質的なコンポーネントを含んでいる。 現在の現実は、純粋な決定論的予測は詳細を円滑に除去し、生成モデルは詳細を回復するが、不要または潜在的に有害な変動をもたらす可能性がある。 安定な基準として決定論的予測を用いた高速なフレームワークであるPredRAを提案し, 生成的改善時の残留成分からさらに決定論的成分を抽出し, 知覚的品質を維持しつつ忠実性を向上させる。 目的は単純であり、残差ベース生成過程全体を最適化問題とみなし、予測をペアの目標に近づけつつ、制御された洗練を通して有用な残留詳細を復元する実用的な解を導出する。 メカニズム研究により、有用な残留情報は構造化パターンに従っていることが示されたが、その有用性はボクセルレベルで確実に推定することは困難である。 したがって, 決定論的予測に残差補正がどの程度加えられるかを世界規模で制御し, 不要な不確実性の蓄積を減らすことができる。 したがって、PredRAは決定論的成分抽出と制御された確率的精錬を組み合わせて、高速で忠実で、知覚的に強い医用画像翻訳を行う。 複数の実世界のデータセットにまたがるアプローチを検証したところ、制御された改善は、生成モデリングの知覚的利益の多くを維持しながら、完全な残差改善と比較して、ペアの目標に対する忠実性を向上させることが示された。 PredRAは、1.4-11.9倍の総パラメータと3.1-26.2倍のトレーニング可能なパラメータを持つかなり大きな最先端モデルに対して、競争力または優れた性能を達成する一方、32ステップのフローサンプリングは、マッチした1000ステップDDPMよりも31.25倍のサンプリングステップを必要とする。

関連論文リスト

• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• TARO: Temporal Adversarial Rectification Optimization Using Diffusion Models as Purifiers [0.6875312133832079]
  拡散モデルによる逆の浄化は、データ多様体に向けて逆の例を投影しようとする。 最近の研究によると、標準拡散浄化は適応的な評価で失敗する可能性があり、テスト時間スコアに基づく最適化はより弾力性が高い。 本稿では,複数の認知的視点に先行して時間的に導出されたスコアを構築する推論時間浄化法TAROを提案する。
  論文  参考訳（メタデータ） (2026-05-08T20:02:57Z)
• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• Rethinking Long-tailed Dataset Distillation: A Uni-Level Framework with Unbiased Recovery and Relabeling [105.8570596633629]
  トラジェクトリに基づく手法の限界を再考することにより,長い尾のデータセット蒸留を再考する。 統計的アライメントの観点からバイアスをモデル化し、公正な監督を復元する。 提案手法は,CIFAR-100-LTで15.6%,Tiny-ImageNet-LTで11.8%向上する。
  論文  参考訳（メタデータ） (2025-11-24T07:57:01Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Convergence and Generalization of Anti-Regularization for Parametric Models [0.0]
  反正則化は損失関数に逆符号を持つ報酬項を導入する。 スペクトル安全性条件と信頼領域制約を定式化する。 我々は、プロジェクション演算子と勾配クリッピングを組み合わせた軽量な安全ガードを設計し、安定した介入を保証する。
  論文  参考訳（メタデータ） (2025-08-24T15:34:17Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)

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。