論文の概要: Style-Driven Data Synthesis and Degradation-Aware Enhancement for Ultrasound Image Restoration

• arxiv url: http://arxiv.org/abs/2609.35120v1
• Date: Mon, 28 Sep 2026 13:17:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 16:45:13.642379
• Title: Style-Driven Data Synthesis and Degradation-Aware Enhancement for Ultrasound Image Restoration
• Title（参考訳）: 超音波画像復元のためのスタイル駆動データ合成と劣化認識の強化
• Abstract要約: 安価なハンドヘルド超音波装置は、専門病院の超音波装置と比較して広く展開することができる。 彼らの画像は、臨床的判断を誤解させるような複合的な劣化に悩まされている。 本稿では,手持ちの低品質画像(LQ)を病院の高画質画像(HQ)にマッピングする問題に対処する。
• 参考スコア（独自算出の注目度）: 12.669697484759558
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Low-cost handheld ultrasound devices can be widely deployed compared to professional hospital ultrasound machines. However, their images suffer from compound degradation that can mislead clinical judgment. Motivated by this observation, mapping handheld low-quality (LQ) to hospital high-quality (HQ) images has been considered a valuable research question. Conventionally, the mapping requires pixel-aligned LQ-HQ pairs. This requirement is unsatisfactory in practical scenarios because real scans at different times are never pixel-aligned. This paper addresses the challenge with a two-stage framework. The first stage generates pixel-aligned LQ-HQ datasets, and the second stage trains an enhancement model that improves LQ images. The first stage trains a cycle-consistent style-transfer model on unaligned real LQ-HQ pairs to learn a HQ-to-LQ model. Then, the model transforms real HQ images into pixel-aligned LQ images. Based on the dataset generated by the first stage, the second stage uses the Dual Degradation-Guided (DDG) Low-Rank Adaptation (LoRA) method to fine-tune an LQ-to-HQ model based on aligned pairs. In this stage, the model is based on the well known PiSA-SR framework but inserts a degradation-conditioned correction matrix. Experimental results on the USenhance2023 dataset show that the FID metric is improved by 16.7% over the strongest baseline while other metrics indicate that our enhanced outputs are well aligned with the real HQ distribution. The source code of our method is available at https://github.com/Jason0411202/DDG_LoRA.
• Abstract（参考訳）: 安価なハンドヘルド超音波装置は、専門病院の超音波装置と比較して広く展開することができる。 しかし、画像は複合的な劣化に悩まされ、臨床的判断を誤認する可能性がある。 このことから,手持ち低品質 (LQ) と病院高画質 (HQ) の画像のマッピングが重要視されている。 従来、マッピングにはピクセル対応のLQ-HQペアが必要である。 この要件は、異なる時刻における実際のスキャンがピクセルアライメントされることはないため、現実的なシナリオでは満足できない。 本稿では,この課題を2段階のフレームワークで解決する。 第1段は画素整列LQ-HQデータセットを生成し,第2段はLQ画像を改善する拡張モデルを訓練する。 第1段階では、整列しない実LQ-HQペア上でサイクル一貫性のあるスタイル転送モデルをトレーニングし、HQ-to-LQモデルを学習する。 そして、実際のHQイメージをピクセル対応LQイメージに変換する。 第1ステージで生成されたデータセットに基づいて、第2ステージでは、Dual Degradation-Guided (DDG) Low-Rank Adaptation (LoRA)メソッドを使用して、整列ペアに基づいてLQ-to-HQモデルを微調整する。 この段階では、モデルはよく知られたPiSA-SRフレームワークに基づいているが、劣化条件の補正行列を挿入する。 USenhance2023データセットの実験結果は、FID測定値が最強のベースラインよりも16.7%向上したことを示している。 本手法のソースコードはhttps://github.com/Jason0411202/DDG_LoRAで公開されている。

関連論文リスト

• Low-Quality Face Recognition using Center Aligned Representations and Local Margin Constraints [1.0885910878567457]
  低品質顔認証(LQFR)は、低品質(LQ)入力画像と劣化したクエリ(プローブ)画像のマッチングが困難であるため、依然として困難である。 1)モデルの識別環境から直接サンプルごとの難易度を推定するローカル確率マージン(LPM)、(2)選択したトランスフォーマー層に自己保持機構を組み込んだ新しい低ランクアダプタモジュールであるNested Attention Module(NAM)、(3)既製の画像品質推定器がアダプタコントリビューションを変調する品質ゲーティングプロトコル(QGP)の3つの主要なコンポーネントを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-01T10:04:12Z)
• Dual Data Alignment Makes AI-Generated Image Detector Easier Generalizable [57.48190915067007]
  検出器はしばしばバイアス付きデータセットに基づいて訓練され、実際の/合成ラベルと突発的に相関する非因果属性に過度に適合する可能性がある。 1つの一般的な解決策は、生成的再構成を通じてデータセットアライメントを実行し、実画像と合成画像のセマンティック内容とを一致させることである。 我々は,画素レベルのアライメントだけでは不十分であることを示す。再構成された画像は依然として周波数レベルの不整合に悩まされており,スプリアス相関が持続する可能性がある。
  論文  参考訳（メタデータ） (2025-05-20T13:42:38Z)
• G-Refine: A General Quality Refiner for Text-to-Image Generation [74.16137826891827]
  G-Refineは,高画質画像の整合性を損なうことなく,低画質画像の高精細化を図った汎用画像精細機である。 このモデルは、知覚品質指標、アライメント品質指標、一般的な品質向上モジュールの3つの相互接続モジュールで構成されている。 大規模な実験により、G-Refine以降のAIGIは、4つのデータベースで10以上の品質指標でパフォーマンスが向上していることが明らかになった。
  論文  参考訳（メタデータ） (2024-04-29T00:54:38Z)
• Dual Associated Encoder for Face Restoration [68.49568459672076]
  低品質(LQ)画像から顔の詳細を復元するために,DAEFRという新しいデュアルブランチフレームワークを提案する。 提案手法では,LQ入力から重要な情報を抽出する補助的なLQ分岐を導入する。 合成と実世界の両方のデータセットに対するDAEFRの有効性を評価する。
  論文  参考訳（メタデータ） (2023-08-14T17:58:33Z)
• HQG-Net: Unpaired Medical Image Enhancement with High-Quality Guidance [45.84780456554191]
  Unpaired Medical Image Enhancement (UMIE)は、低品質(LQ)の医用画像から高品質(HQ)の画像に変換することを目的としている。 本稿では, HQ cues を直接 LQ エンハンスメントプロセスに符号化することで, 既存の手法の制限を回避する新しい UMIE 手法を提案する。 我々は、生成したHQイメージがHQドメインに落下することを確実にするために、差別者と反対に拡張ネットワークを訓練する。
  論文  参考訳（メタデータ） (2023-07-15T15:26:25Z)
• Synthesizing Realistic Image Restoration Training Pairs: A Diffusion Approach [24.41545801521035]
  教師付き画像復元タスクでは、高品質(HQ)と低品質(LQ)のトレーニングイメージペアをどのように取得するかが課題である。 現像拡散確率モデル(DDPM)を用いた現実的画像復元訓練ペアの合成手法を提案する。 分散近似におけるDDPMの強い能力により、合成されたHQ-LQイメージペアは、実世界の画像復元タスクのための堅牢なモデルをトレーニングするために使用することができる。
  論文  参考訳（メタデータ） (2023-03-13T10:49:59Z)
• UltraSR: Spatial Encoding is a Missing Key for Implicit Image Function-based Arbitrary-Scale Super-Resolution [74.82282301089994]
  本研究では,暗黙的イメージ関数に基づく,シンプルで効果的な新しいネットワーク設計であるUltraSRを提案する。 空間符号化は,次の段階の高精度暗黙的画像機能に対する欠落鍵であることを示す。 UltraSRは、すべての超解像スケールでDIV2Kベンチマークに最新のパフォーマンスを設定します。
  論文  参考訳（メタデータ） (2021-03-23T17:36:42Z)

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。