論文の概要: Consecutive Posterior Fusion for Diffusive Recovery of Unobservable Image Structures
- arxiv url: http://arxiv.org/abs/2610.03261v1
- Date: Fri, 02 Oct 2026 13:05:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.380432
- Title: Consecutive Posterior Fusion for Diffusive Recovery of Unobservable Image Structures
- Title（参考訳）: 難治性画像構造の拡散回復のための連続後固定法
- Abstract要約: CPF-DDNM(Consecutive Posterior Fusion Denoising Diffusion Null-Space Models)を紹介する。
CPF-DDNMは連続的な計測認識推定を融合させ、観測不能な画像構造の拡散回復を改善する。
Sparse-viewおよびSsimulated Low-Dose Computed Tomographyの実験は、医療画像の高解像度化とともに、DDNMよりも一貫した改善が見られた。
- 参考スコア（独自算出の注目度）: 0.6372261626436676
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Solving severely ill-posed imaging inverse problems requires recovering image structures that are unobservable or weakly constrained by the measurements. Diffusion models provide expressive learned priors for inferring such missing information, while posterior sampling incorporates measurement consistency along the reverse process. Standard diffusion posterior samplers, however, rely on instantaneous measurement-aware estimates, without explicitly exploiting information carried by previous posterior corrections. We introduce Consecutive Posterior Fusion Denoising Diffusion Null-Space Models (CPF-DDNM), an inference-time strategy that fuses consecutive measurement-aware estimates to improve the diffusive recovery of unobservable image structures, without requiring retraining or additional denoiser evaluations. We instantiate this principle within DDNM, whose range/null-space decomposition reveals that consecutive fusion preserves the measurement-determined component while acting exclusively on the prior-driven null-space estimate. We thus provide a geometric interpretation of CPF-DDNM and a local error analysis that characterizes the optimal time-dependent fusion coefficient, including the extrapolative regime. Experiments on sparse-view and simulated low-dose computed tomography, as well as medical image super-resolution, show consistent improvements over DDNM and competitive performance against diffusion-based inverse solvers.
- Abstract（参考訳）: 不適切な画像逆問題を解決するには、測定によって観測不可能または弱く制約された画像構造を復元する必要がある。
拡散モデルは、そのような欠落した情報を推測するための表現的な学習先行情報を提供する一方、後続サンプリングは、逆過程に沿って測定一貫性を組み込む。
しかし, 標準拡散後部サンプリング器は, 過去の後部修正で得られた情報を明示的に活用することなく, 瞬時測定・認識推定に頼っている。
本稿では,連続的な計測-認識推定を融合させ,再現性のない画像構造の拡散回復を改善するための推論時戦略であるCPF-DDNM(Consecutive Posterior Fusion Denoising Diffusion Null-Space Models)を紹介する。
我々は、この原理をDDNM内でインスタンス化し、その範囲/ヌル空間分解により、連続核融合が測定決定成分を保存し、予め駆動されたヌル空間推定にのみ作用することを示した。
そこで我々は,CPF-DDNMの幾何学的解釈と,外挿規則を含む最適時間依存性融合係数を特徴付ける局所誤差解析を提案する。
Sparse-viewおよびSsimulated Low-Dose Computed Tomographyの実験は、医療画像の超解像と同様にDDNMよりも一貫した改善を示し、拡散に基づく逆解法に対する競合性能を示した。
関連論文リスト
- Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。
SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。
MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
論文 参考訳（メタデータ） (2026-08-12T07:39:22Z) - Measured-Subspace Consistency: A Plug-and-Play Operator for Diffusion Posterior Sampling in Accelerated MRI Reconstruction [2.4827516038838064]
加速MRI用拡散後サンプリング装置は, 精度よく再構成できるが, 得られたk-空間は試料間では不一致である。
我々は、この測定されたサブスペースリークを物理許容障害とみなす。
我々は、標準のマルチコイル整合ロックで、任意の互換画像空間後部サンプルをラップするトレーニング不要端末補正である、測定サブスペース整合性(MSC)を提案する。
論文 参考訳（メタデータ） (2026-06-26T08:49:39Z) - 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) - ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models [72.4683657127516]
照明画像復元のためのゼロ参照拡散ベースフレームワークZeroIDIRを提案する。
フレームワークは、復元プロセスを適応照明補正と拡散に基づく再構成に分離する。
公開されているベンチマーク実験により、提案手法は最先端の教師なし競争相手よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-05-12T02:36:49Z) - ReCo-Diff: Residual-Conditioned Deterministic Sampling for Cold Diffusion in Sparse-View CT [1.1573149737267483]
ReCo-Diffは残留状態の拡散フレームワークであり、残留状態の自己誘導サンプリングを通じて観測残差を利用する。
実験の結果, ReCo-Diff は既存の冷拡散サンプリングベースラインより一貫して優れていた。
論文 参考訳（メタデータ） (2026-03-03T07:33:24Z) - U-DAVI: Uncertainty-Aware Diffusion-Prior-Based Amortized Variational Inference for Image Reconstruction [10.273906387994902]
Ill-posed Imaging inverse problem because theambiguity in theambiguity in the degraded observed to clean image。
補正された変分推論フレームワークは、測定から後方への直接マッピングを学習することで、この非効率性に対処する。
我々は,不確実性評価によって導かれる,空間適応的摂動をトレーニング中の測定に注入し,最も不確実な地域での学習を強調することで,償却フレームワークを拡張した。
論文 参考訳（メタデータ） (2026-02-12T08:32:11Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - pcaGAN: Improving Posterior-Sampling cGANs via Principal Component Regularization [11.393603788068777]
画像逆問題では、観測された測定値と真の画像の事前知識の両方に適合する仮説が多数存在する。
本稿では, 高速かつ高精度な後サンプリング条件生成対向ネットワーク (cGAN) を提案する。
論文 参考訳（メタデータ） (2024-11-01T14:09:28Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。
本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。
既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
論文 参考訳（メタデータ） (2024-07-25T09:53:12Z) - Ambient Diffusion Posterior Sampling: Solving Inverse Problems with Diffusion Models Trained on Corrupted Data [54.09959775518994]
線形に破損したデータから学習した拡散モデルを用いて逆問題を解決するためのフレームワークを提供する。
加速度係数R=2,4,6,8のサブサンプルによるマルチコイル測定にのみアクセス可能なMRI拡散モデルを訓練する。
高加速度環境下でのMRI再構成において、サブサンプルデータでトレーニングされたA-DPSモデルは、完全サンプルデータでトレーニングされたモデルよりも逆問題の解決に適している。
論文 参考訳（メタデータ） (2024-03-13T17:28:20Z) - On the Quantification of Image Reconstruction Uncertainty without
Training Data [5.057039869893053]
本稿では,深部生成モデルを用いて近似後部分布を学習する深部変分フレームワークを提案する。
フローベースモデルを用いてターゲット後部をパラメータ化し,KL(Kullback-Leibler)の発散を最小限に抑え,正確な不確実性推定を実現する。
提案手法は信頼性と高品質な画像再構成を実現し,信頼性の高い不確実性を推定する。
論文 参考訳（メタデータ） (2023-11-16T07:46:47Z)
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。