論文の概要: Progressive Coupling Method for Diffusion Posterior Sampling in Ptychography

• arxiv url: http://arxiv.org/abs/2610.38207v1
• Date: Wed, 28 Oct 2026 03:02:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.365248
• Title: Progressive Coupling Method for Diffusion Posterior Sampling in Ptychography
• Title（参考訳）: 胸部X線写真における拡散後サンプリングのプログレッシブカップリング法
• Abstract要約: Ptychographyは、重なり合う回折測定からサンプルを再構成する計算イメージング手法である。 スキャンオーバーラップを減らすことで測定効率は向上するが、再建に使える物理的な制約は弱まる。 本研究では,PCPS法を提案し,不確実性の高い解空間のより広範な探索を可能にする。
• 参考スコア（独自算出の注目度）: 13.741196412683012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ptychography is a computational imaging method that reconstructs a sample from overlapping diffraction measurements. This technique relies on these overlapping measurements to provide the redundancy information needed for robust reconstruction, but dense scanning increases acquisition time and data volume. Reducing scan overlaps can improve measurement efficiency but weakens the physical constraints available for reconstruction. Diffusion models provide strong learned prior information, offering a promising approach to compensate for the loss of measurement redundancy. However, effectively utilizing this prior information under weak measurement constraints remains a challenge. We propose a progressive coupling posterior sampling (PCPS) method, which allows for a broader exploration of the solution space under high uncertainty while maintaining stronger diffusion-guided consistency as the reconstruction becomes more refined. Experiments on real X-ray ptychographic data at various scan overlaps demonstrate that PCPS consistently improves reconstruction accuracy compared to traditional iterative methods and existing diffusion posterior samplers, especially at low overlaps. These results show that diffusion priors can reduce the measurement redundancy required for accurate ptychography reconstruction.
• Abstract（参考訳）: Ptychographyは、重なり合う回折測定からサンプルを再構成する計算イメージング手法である。 この手法は、これらの重なり合う測定に基づいて、堅牢な再構築に必要な冗長性情報を提供するが、密集走査は取得時間とデータ量を増加させる。 スキャンオーバーラップを減らすことで測定効率は向上するが、再建に使える物理的な制約は弱まる。 拡散モデルは、強力な学習前の情報を提供し、測定冗長性の喪失を補うための有望なアプローチを提供する。 しかし、この事前情報を弱い測定制約の下で効果的に活用することは依然として課題である。 そこで本研究では,PCPS法を提案する。この手法により,解空間のより広い不確実性下での探索が可能となり,再構成の高度化とともに拡散誘導整合性も向上する。 種々のスキャンオーバーラップにおける実X線写真データによる実験により、PCPSは従来の反復法や既存の拡散後サンプリング器と比較して、特に低オーバーラップ時の再現精度を一貫して向上することが示された。 以上の結果から,拡散先行法は正確な胸郭再建に必要な測定冗長性を低下させる可能性が示唆された。

関連論文リスト

• Cross-Modal Guidance for Fast Diffusion-Based Computed Tomography [1.3048920509133808]
  中性子CTのような特定の応用では、単一のスキャンであっても大量の測定値を集めるのが高価である。 この課題を緩和するための1つの戦略は、補完的で容易に利用できる画像モダリティを活用することである。 本稿では,拡散の事前調整を行なわずに追加のモダリティを組み込むことにより,コストのかかるモダリティの高速撮像を可能にすることを提案する。
  論文  参考訳（メタデータ） (2026-03-01T20:13:13Z)
• 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)
• ASBA: A-line State Space Model and B-line Attention for Sparse Optical Doppler Tomography Reconstruction [52.60553814186938]
  横軸(B線)に沿って1次元深度分解生Aスキャン(A線)を順次取得して2次元光ドップラートモグラフィ(ODT)画像(B線)を生成する。 現在のプラクティスは、スキャン時間が長くなり、ストレージの需要が増加し、急激な血流動態の捕捉が制限される、密度の高いサンプリングに依存している。 そこで本研究では,高度にサンプル化した生のAスキャンからODT画像の再構成を行うために,ASBAという新しい血流認識ネットワークを導入する。
  論文  参考訳（メタデータ） (2026-01-20T17:17:02Z)
• PGP-DiffSR: Phase-Guided Progressive Pruning for Efficient Diffusion-based Image Super-Resolution [95.61422489193113]
  拡散モデルから冗長情報を除去する軽量拡散法 PGP-DiffSR を開発した。 本手法は,計算負荷とメモリ消費を大幅に削減しつつ,競合する復元品質を実現する。
  論文  参考訳（メタデータ） (2025-12-02T12:06:39Z)
• PWD: Prior-Guided and Wavelet-Enhanced Diffusion Model for Limited-Angle CT [6.532073662427578]
  LACT再構成のための先行情報埋め込みとウェーブレット特徴融合高速サンプリング拡散モデルを提案する。 PWDは、LACTの再構成忠実性を保ちながら効率的なサンプリングを可能にする。 PWDは50ステップしかサンプリングしないため、PSNRの少なくとも1.7dB改善とSSIMの10%向上を実現している。
  論文  参考訳（メタデータ） (2025-06-30T08:28:32Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Timestep-Aware Diffusion Model for Extreme Image Rescaling [47.89362819768323]
  本稿では,時間認識拡散モデル(TADM)と呼ばれる,画像再スケーリングのための新しいフレームワークを提案する。 TADMは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を行う。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Tomographic Reconstruction and Regularisation with Search Space Expansion and Total Variation [0.0]
  不完全なデータの処理は、患者が潜在的に放射線を損傷したり、長いスキャン時間に対処できない場合に重要である。 本稿では,画像空間内を粒子が移動し,再構成誤差を最小限に抑えるために,Swarmをベースとした再構成手法を提案する。 提案手法は, 標準的なトモグラフィ再構成ツールボックスアルゴリズムと比較して, 再現誤差が低いことを示す。
  論文  参考訳（メタデータ） (2024-06-03T15:57:43Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• Data augmentation for deep learning based accelerated MRI reconstruction with limited data [46.44703053411933]
  ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。 最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。 本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
  論文  参考訳（メタデータ） (2021-06-28T19:08:46Z)

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。