論文の概要: $\mathrm{S}^3$-PnP: Plug-and-Play Denoising for Scientific Imaging with Self-Supervised Score Priors

• arxiv url: http://arxiv.org/abs/2610.18458v1
• Date: Tue, 13 Oct 2026 14:26:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 21:17:02.051407
• Title: $\mathrm{S}^3$-PnP: Plug-and-Play Denoising for Scientific Imaging with Self-Supervised Score Priors
• Title（参考訳）: $\mathrm{S}^3$-PnP:Plug-and-Play Denoising for Scientific Imaging with Self-Supervised Score Priors
• Abstract要約: 事前訓練済みのADMM (Plug-and-play ADMM) は有望な代替手段を提供するが、学習済みの事前分布は、目標とする科学的イメージ分布と、フィードバックによるデノイザ入力の分布の両方を提供することができる。 これらのミスマッチを緩和するために,観察由来のADMM中間状態から直接スコアを学習するセルフプレイ復元フレームワークである$mathrmS3 Experimentsを提案する。 具体的には、学習したスコアが分析前更新への入力を補正し、観測駆動補正と解析正則化を組み合わせる。
• 参考スコア（独自算出の注目度）: 54.57276792548905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern image restoration methods increasingly rely on large-scale supervised training, yet clean targets are often prohibitively difficult to obtain in scientific imaging modalities such as hyperspectral imaging (HSI) and magnetic resonance imaging (MRI). Plug-and-play ADMM (PnP-ADMM) with pretrained diffusion priors offers a promising alternative, but the learned prior distribution can mismatch both the target scientific image distribution and the distribution of ADMM denoiser inputs induced by dual feedback. To mitigate these mismatches, we propose $\mathrm{S}^3$-PnP, a self-supervised plug-and-play restoration framework that learns a score prior directly from observation-derived ADMM intermediate states, without clean training targets or externally pretrained weights. Specifically, the learned score corrects the input to the analytical prior update, combining observation-driven corrections with analytical regularization. We further analyze the convergence and reconstruction error of the corrected ADMM algorithm assuming an ideal score and quadratic data fidelity. Experiments on reference-guided HSI restoration, single-image HSI denoising, and MRI denoising demonstrate consistent improvements over competing methods.
• Abstract（参考訳）: 現代の画像復元法は、大規模な教師付きトレーニングにますます頼っているが、高スペクトルイメージング(HSI)や磁気共鳴イメージング(MRI)のような科学的画像のモダリティにおいて、クリーンなターゲットを得ることは、しばしば違法に困難である。 事前訓練した拡散前のADMM (Plug-and-play ADMM) は有望な代替手段を提供するが、学習された事前分布は、二重フィードバックによって誘導されるADMMデノイザ入力の目的とする科学的イメージ分布と分布の両方をミスマッチすることができる。 これらのミスマッチを緩和するために、クリーンなトレーニング目標や外部に事前訓練された重みを使わずに、観察由来のADMM中間状態から直接スコアを学習する自己教師付きプラグアンドプレイ復元フレームワークである$\mathrm{S}^3$-PnPを提案する。 具体的には、学習したスコアが分析前更新への入力を補正し、観測駆動補正と解析正則化を組み合わせる。 さらに、理想的なスコアと2次データ忠実度を仮定する修正ADMMアルゴリズムの収束と再構成の誤差を解析する。 基準誘導HSI修復、単一像HSI復号化、MRI復号化の実験では、競合する手法よりも一貫した改善が示されている。

関連論文リスト

• DenOiS: Dual-Domain Denoising of Observation and Solution in Ultrasound Image Reconstruction [1.711666249985278]
  医用画像は、不完全性(単純化/線形化)イメージングモデルを使用し、しばしば不正確で不完全な測定から組織特性を回復することを目的としている。 解析的再構成法は手作りの正規化に依存し、雑音の仮定やパラメータチューニング領域に敏感である。 本稿では,入射観測と撮像モデルの精度を両立させるフレームワークであるDeniSを提案する。 定量的超音波画像再構成の課題として,音速画像の高速化を実証する。
  論文  参考訳（メタデータ） (2026-04-02T14:35:43Z)
• Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data [11.174208209806073]
  アンダーサンプリング戦略は画像の取得を加速させるが、多くの場合、画像のアーティファクトと劣化した品質をもたらす。 近年の拡散モデルでは、強力な画像先行学習により、アンダーサンプルデータから高忠実度画像の再構成が期待されている。 本稿では,反復的データ一貫性補正を伴う条件付きデノナイジング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:01:08Z)
• Lightweight Medical Image Restoration via Integrating Reliable Lesion-Semantic Driven Prior [29.81704480466466]
  医用画像復元タスクは、劣化した観察から高品質な画像を回復することを目的としており、多くの臨床シナリオにおいて創発的な欲求を示す。 既存のディープラーニングに基づく復元手法は、計算効率の良い再構成結果のレンダリングに苦慮している。 本稿では、周波数領域における信頼性誘導学習による軽量トランスフォーマーを用いたLRformerを提案する。
  論文  参考訳（メタデータ） (2025-04-15T15:26:28Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
  vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。 データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。 我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-09-18T17:26:22Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• Compressed Sensing MRI Reconstruction Regularized by VAEs with Structured Image Covariance [7.544757765701024]
  本稿では, 逆問題に先立って, 地動画像に基づいて学習した生成モデルをどのように利用することができるかを検討する。 可変オートエンコーダ(VAE)を用いて、画像だけでなく、各画像に対する共分散不確実性行列を生成する。 提案した学習規則化手法を,他の学習規則化手法や教師なし,教師なしのディープラーニング手法と比較した。
  論文  参考訳（メタデータ） (2022-10-26T09:51:49Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。