論文の概要: Unified Multi-plane Autoregressive Diffusion for 3D Multi-contrast MRI Synthesis
- arxiv url: http://arxiv.org/abs/2610.09376v1
- Date: Wed, 07 Oct 2026 03:31:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.697329
- Title: Unified Multi-plane Autoregressive Diffusion for 3D Multi-contrast MRI Synthesis
- Title（参考訳）: 3次元マルチコントラストMRI合成のための統一多面自己回帰拡散
- Abstract要約: 統合された多平面自己回帰拡散フレームワークを提案する。
効率的な平面2次元操作を用いたMPAD合成フルボリューム3D
MPADは優れたパーフォルマンスを実現し、高忠実度3Dボリュームを生成する。
- 参考スコア（独自算出の注目度）: 24.12514639055134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acquiring a complete set of magnetic resonance imaging (MRI) contrasts is time-intensive and uncomfortable for patients, despite the diagnostic value of multi-contrast imaging. This motivates synthesizing missing contrasts from those already acquired, which is an inherently 3D problem requiring anatomical coherence across axial, sagittal, and coronal planes. However, fully 3D generative models are often impracti- cal under computational resources that scale cubically with volume size. We propose a unified Multi-Plane Autoregressive Diffusion (MPAD), a latent diffusion framework that achieves full-volume 3D synthesis using efficient plane-wise 2D operations while preserving volumetric coherence. A 3D autoencoder first compresses MRI scans into an isotropic 3D la- tent representation. A 2D diffusion model is then trained to reconstruct masked latent slices of the target contrast, conditioned on both source- contrast slices and unmasked target-contrast slices. During inference, we introduce plane-wise autoregressive synthesis with inter-plane priors. Slices are generated autoregressively in random order within one plane orientation to maintain intra-plane continuity, then propagated as con- ditioning priors to orthogonal plane orientations to enforce inter-plane consistency. Compared to 3D latent diffusion baselines, MPAD reduces training and inference FLOPs by 7x and 3x, respectively, while also lowering inference time and peak memory consumption. Experiments on multiple datasets demonstrate that MPAD achieves superior perfor- mance, generating high-fidelity 3D volumes and supporting one-to-many translation within a single unified model.
- Abstract（参考訳）: マルチコントラスト画像の診断価値にもかかわらず、MRI(MRI)コントラストの完全セットを取得することは、患者にとって時間集約的で不快である。
これはもともと3次元問題であり、軸方向、矢状面、およびコロナ面を横断する解剖学的コヒーレンスを必要とする。
しかし、完全な3次元生成モデルは、体積サイズで3倍にスケールする計算資源の下では、しばしば不定形である。
本稿では,多面的自己回帰拡散(MPAD)を統一した多面的自己回帰拡散(MPAD)を提案する。
3DオートエンコーダはまずMRIスキャンを等方性3Dラ−テント表現に圧縮する。
次に、2次元拡散モデルを用いて、ターゲットコントラストのマスク付き潜在スライスを再構成し、ソースコントラストスライスと未マッピングターゲットコントラストスライスの両方に条件付けする。
推論の際には、平面間先行値を用いた平面的自己回帰合成を導入する。
スライスは、平面内の連続性を維持するために1つの平面方向内のランダムな順序で自動回帰的に生成され、その後、平面間の一貫性を強制するために直交平面方向への共役先行として伝播する。
3D遅延拡散ベースラインと比較して、MPADはトレーニングと推論のFLOPをそれぞれ7倍と3倍に減らし、推論時間とピークメモリ消費を減少させる。
複数のデータセットの実験では、MPADが優れたパーフォルマンスを実現し、高忠実度3Dボリュームを生成し、単一の統一モデルで1対多の翻訳をサポートすることが示されている。
関連論文リスト
- FLUX3D: High-Fidelity 3D Gaussian Generation with Diffusion-Aligned Sparse Representation [48.928051741750124]
本稿では,画像から3DGSまでのスケーラブルなフレームワークを提案し,生成時の表現学習と相互モーダルアライメントを向上する。
FLUX3Dは外観の忠実さを大幅に改善し、高品質な3DGSの資産を生み出すのに最先端(SOTA)の手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-06-23T17:52:21Z) - Recover Semantics First, Generate Better: Improved Latent Modeling for 3D MRI Reconstruction and Cross-Contrast Synthesis [21.111566412869713]
本稿では,3次元MRI再構成とクロスコントラスト合成のためのセマンティクスファースト潜時モデリングフレームワークを提案する。
グローバルな解剖的依存関係を捕捉し,コヒーレントな表現を確保するために,LHE(Latent Harmonization)を導入する。
さらに、自己教師型セマンティック・教師から高レベルの事前情報を注入するセマンティック・リカバリ・ブロック(SRB)を設計し、潜在空間におけるコントラスト認識の分離性を向上する。
論文 参考訳（メタデータ） (2026-06-16T14:41:15Z) - LiFT: Lifted Inter-slice Feature Trajectories for 3D Image Generation from 2D Generators [15.815426921881382]
LiFTは、3次元ボリューム合成をスライス毎の画像生成とスライス間軌道学習に分解する、リフテッド・インタースライス・フィーチャー・トラジェクトリのフレームワークである。
我々は BraTS 2023 (unconditional and missing-modality MR) と SynthRAD 2023 (MR-to-CT) の LiFT の評価を行った。
論文 参考訳（メタデータ） (2026-05-18T19:30:19Z) - Conditional Diffusion Posterior Alignment for Sparse-View CT Reconstruction [4.107377779783183]
スケーラブルな3次元スパースCT再構成を実現するために,CDPA(Conditional Posterior Alignment)を提案する。
2次元U-Net拡散モデルが初期3次元再構成に条件付けされ、スライス間の一貫性が向上する。
合成および実コーンビームCT(CBCT)データを用いた実験は,最先端の性能を示す。
論文 参考訳（メタデータ） (2026-04-23T14:09:13Z) - DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。
実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
論文 参考訳（メタデータ） (2024-12-11T07:32:17Z) - Blaze3DM: Marry Triplane Representation with Diffusion for 3D Medical Inverse Problem Solving [8.544098279063597]
本稿では,コンパクトな三面体ニューラルフィールドと強力な拡散モデルを統合することにより,高速かつ高忠実な生成を可能にする新しいアプローチBlaze3DMを提案する。
技術的には、Blaze3DMは、データ依存の3次元平面埋め込みと共有デコーダを同時に最適化し、各3次元平面を対応する3次元ボリュームに再構成することから始まる。
スパースビューCT、リミテッドアングルCT、圧縮センシングMRI、MRI等方的超解像を含むゼロショット3次元医療逆問題解決実験は、Blaze3DMが最先端性能を達成するだけでなく、計算効率も著しく向上することを示した。
論文 参考訳（メタデータ） (2024-05-24T06:07:27Z) - MVD-Fusion: Single-view 3D via Depth-consistent Multi-view Generation [54.27399121779011]
本稿では,多視点RGB-D画像の生成モデルを用いて,単視点3次元推論を行うMVD-Fusionを提案する。
提案手法は,蒸留に基づく3D推論や先行多視点生成手法など,最近の最先端技術と比較して,より正確な合成を実現することができることを示す。
論文 参考訳（メタデータ） (2024-04-04T17:59:57Z) - BlockFusion: Expandable 3D Scene Generation using Latent Tri-plane Extrapolation [51.030773085422034]
BlockFusionは拡散ベースのモデルで、3Dシーンを単位ブロックとして生成し、シーンを拡張するためにシームレスに新しいブロックを組み込む。
シーン要素の配置と配置を制御するために2次元レイアウトコンディショニング機構を使用する。
実験結果から、BlockFusionは多様な、幾何学的に整合性があり、拘束力のない大きな3Dシーンを生成可能であることが示唆された。
論文 参考訳（メタデータ） (2024-01-30T14:34:19Z) - StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。
まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。
第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文 参考訳（メタデータ） (2023-12-02T02:27:58Z) - Make-A-Volume: Leveraging Latent Diffusion Models for Cross-Modality 3D
Brain MRI Synthesis [35.45013834475523]
クロスモダリティ医療画像合成は重要なトピックであり、医療画像分野における多くの応用を促進する可能性がある。
現在の医療画像合成法のほとんどは、生成的敵ネットワークに依存しており、悪名高いモード崩壊と不安定な訓練に悩まされている。
本稿では,2次元バックボーンを利用した医療データ合成のための新しいパラダイムを提案し,拡散型フレームワークであるMake-A-Volumeを提案する。
論文 参考訳（メタデータ） (2023-07-19T16:01:09Z)
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。