論文の概要: FFAI: Flow Matching with Feedback Training and Adaptive Initialization for CT Reconstruction

• arxiv url: http://arxiv.org/abs/2610.39517v1
• Date: Thu, 29 Oct 2026 07:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:33:43.108111
• Title: FFAI: Flow Matching with Feedback Training and Adaptive Initialization for CT Reconstruction
• Title（参考訳）: FFAI:CT再建のためのフィードバックトレーニングと適応初期化によるフローマッチング
• Abstract要約: 本稿では,初期再構成条件の統一的な条件付きフローマッチング手法を提案する。 提案手法は, これら3つの再構成作業における比較手法よりも, 定量的な結果が得られる。
• 参考スコア（独自算出の注目度）: 1.053127667436572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although low-dose, sparse-view, and limited-angle CT involve distinct degradation mechanisms, all three pose reconstruction challenges due to limited measurement information and can therefore be addressed within a unified framework. In iterative image restoration with flow matching, prediction errors may cause inference states to deviate from the prescribed training path, while a fixed initialization may be unsuitable for inputs with varying degradation severity. We propose a unified conditional flow matching method that conditions on the initial reconstruction and combines feedback-aware training with degradation-adaptive initialization. During training, a teacher network simulates inference updates to generate shifted states, from which a student network learns to recover high-quality reference images, improving its ability to handle prediction errors. During inference, the starting time is selected based on the noise level or extent of missing projection data, and the noise added to the initial state is adjusted accordingly to adapt the starting point to the input. Experiments on public benchmark datasets show that the proposed method achieves better quantitative results than the compared methods across all three reconstruction tasks, effectively suppressing noise and artifacts while preserving anatomical structures and details.
• Abstract（参考訳）: 低線量、スパース・ビュー、リミテッドアングルCTは、それぞれ異なる劣化機構を持つが、これら3つは、測定情報に制限があるため、再構成の課題を提起し、統一された枠組みで対処することができる。 フローマッチングを伴う反復的な画像復元では、予測誤差は所定のトレーニングパスから推論状態が逸脱する可能性があり、固定初期化は劣化度が変化する入力には適さない。 本稿では,初期再構成の条件を定め,フィードバック・アウェア・トレーニングと劣化適応型初期化を組み合わせた統一条件付きフローマッチング手法を提案する。 教師ネットワークは、教師ネットワークが推論更新をシミュレートしてシフト状態を生成し、そこから生徒ネットワークが高品質な参照画像の復元を学習し、予測エラーを処理する能力を向上させる。 推測中は、欠落した投影データのノイズレベルまたは範囲に基づいて開始時間を選択し、初期状態に付加されたノイズを調整することにより、開始点を入力に適応させる。 評価実験の結果,提案手法は3つの再構成作業のすべてに対して比較した手法よりも定量的な結果が得られ,解剖学的構造や詳細を保存しながら,効果的にノイズやアーティファクトを抑制できることが示唆された。

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)
• LUCID: Learned Undersampling-Adaptive Consistency-Guided Inference with Deterministic Flow Matching for Sparse-View CT Reconstruction [6.182438051513934]
  スパースビューCTはプロジェクションビューを減らすことで放射線線量と走査時間を短縮する。 角のアンダーサンプリングは、復元がひどく悪化し、ストリークアーティファクト、構造的なぼやけ、細部が失われる。 スパース・ビューCTに先立って,フローマッチング生成に基づく疎結合型一貫性誘導型再構成フレームワークであるLucidを提案する。
  論文  参考訳（メタデータ） (2026-06-15T04:38:30Z)
• A Principled Self-Referenced Early Stopping Approach for Deep Image Prior [11.99863900194054]
  劣化画像の2つの独立ノイズコピーが利用可能である場合に、ほぼ最適なDIP早期停止が達成できることを示す。 本稿では、擬似自己参照画像の構築に基づく過適合検出フレームワークを提案し、3つのIP固有アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-05-24T23:35:13Z)
• 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)
• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Adaptive 3D Reconstruction via Diffusion Priors and Forward Curvature-Matching Likelihood Updates [1.2425910171551517]
  画像から高品質な点雲を再構築することは、コンピュータビジョンでは依然として難しい。 近年の拡散法は, 事前モデルと可能性更新を組み合わせることでこの問題に対処している。 我々は,新しいFCM (Forward Curvature-Matching) 更新手法と拡散サンプリングを組み合わせることで,このアプローチを推し進める。
  論文  参考訳（メタデータ） (2025-11-09T10:14:14Z)
• prNet: Data-Driven Phase Retrieval via Stochastic Refinement [0.0]
  本稿では,Langevin のダイナミックスを有効活用し,効率的な後続サンプリングを実現するための新しい位相検索フレームワークを提案する。 本手法は, サンプリング, 学習復調, モデルベース更新の組み合わせにより, 知覚歪みのトレードオフをナビゲートする。
  論文  参考訳（メタデータ） (2025-07-13T12:25:06Z)
• 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)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)

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。