論文の概要: D-MOD: Diffusion mode estimation for accelerated MRI

• arxiv url: http://arxiv.org/abs/2610.40110v1
• Date: Thu, 29 Oct 2026 14:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.514658
• Title: D-MOD: Diffusion mode estimation for accelerated MRI
• Title（参考訳）: D-MOD:加速MRIのための拡散モード推定
• Abstract要約: 拡散モデルは、加速MRI再構成の強力な先駆体である。 現在のほとんどの手法は後部サンプリングであり、後部からのランダムな描画を返す。 後続モードを提供する高速アルゴリズムであるD-MODを導入する。
• 参考スコア（独自算出の注目度）: 6.250804615008998
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diffusion models are powerful priors for accelerated MRI reconstruction, but most current methods are posterior samplers, which return a random draw from the posterior. A reproducible and high-quality reconstruction often requires averaging many samples, resulting in a high computational cost. We introduce D-MOD, a fast algorithm that instead provides a posterior mode. It uses a minorize-maximize algorithm on a lower bound of the smoothed log-posterior, which provably increases the objective. Each iteration draws S noisy samples of the current estimate at the current noise level, denoises them with a pretrained diffusion model, and combines their average with the measured k-space through a conjugate-gradient (CG) solve. We anneal the noise levels, as the distance between the bound and its target decays quadratically with noise. On fastMRI brain (T1, T2, FLAIR), a single D-MOD reconstruction exceeds, in PSNR, the 10-sample finite-MMSE estimates of DPS, DAPS and SNORE-P and stays within 0.31 dB of the strongest baselines (DiffPIR, DDS). This approach thus provides a fast deterministic reconstruction algorithm (11-73 times faster than MMSE estimates), which is useful in a clinical setting.
• Abstract（参考訳）: 拡散モデルは、MRIの高速化のための強力な先行手法であるが、現在の手法のほとんどは後部サンプリング器であり、後部からのランダムな描画を返す。 再現可能で高品質な再構成では、多くの場合、多くのサンプルを平均化する必要があり、計算コストが高い。 後続モードを提供する高速アルゴリズムであるD-MODを導入する。 このアルゴリズムはスムーズな対数ポストの下位境界に最小限のアルゴリズムを用いており、目的を確実に増やしている。 各イテレーションは、現在の雑音レベルにおける現在の推定値のSノイズサンプルを描画し、それらを事前訓練された拡散モデルで識別し、共役次数分解(CG)によって測定されたk-空間と結合する。 我々は、境界線と目標線の距離がノイズで2次的に減衰するので、騒音レベルを下げる。 高速MRI脳(T1, T2, FLAIR)では、単一のD-MOD再構成はPSNRにおいてDPS, DAPS, SNORE-Pの10サンプルの有限MMSE推定値を超え、最強ベースライン(DiffPIR, DDS)の0.31dB以内にとどまる。 この方法では, MMSE推定値の11～73倍の高速決定論的再構成アルゴリズムが臨床現場で有用である。

関連論文リスト

• ASSERT: Adaptive Stochastic Sampling for Robust Diffusion Models on Analog Compute-in-Memory Hardware [13.123394042691642]
  拡散モデルは、強い画像生成品質を実現するが、高い反復的 denoising コストをもたらす。 初期高雑音化段階は最終改良段階よりもかなり脆弱であることを示す。 本稿では,早期かつスムーズな復調性を利用したトレーニングサンプルであるASSERTを提案する。
  論文  参考訳（メタデータ） (2026-09-01T09:13:10Z)
• Fast and Robust Diffusion Posterior Sampling for MR Image Reconstruction Using the Preconditioned Unadjusted Langevin Algorithm [4.227176793299764]
  本研究の目的は,高速収束型ロバストサンプリングアルゴリズムを開発することである。 プリコンディショニングにより, 様々なMRI再建作業において, 迅速かつ信頼性の高い後方サンプリングが可能となる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-12-05T15:17:29Z)
• Geodesic Diffusion Models for Efficient Medical Image Enhancement [6.689992048758046]
  確率空間における最短経路に対応する測地線ノイズスケジュールをフィッシャー・ラオ計量の下で提案する。 これらのスケジュールに基づいて、トレーニングとサンプリング効率を大幅に改善する測地拡散モデル(GDM)を提案する。 医用画像強調作業におけるGDMの評価を行った。
  論文  参考訳（メタデータ） (2025-03-02T05:57:51Z)
• Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
  Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。 提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
  論文  参考訳（メタデータ） (2024-07-03T01:37:56Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Parallel Sampling of Diffusion Models [76.3124029406809]
  拡散モデルは強力な生成モデルであるが、サンプリングが遅い。 そこで本研究では,複数のステップを並列にdenoisingすることで,事前学習した拡散モデルのサンプリングを高速化するParaDiGMSを提案する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:42Z)
• Accelerating Diffusion Models via Early Stop of the Diffusion Process [114.48426684994179]
  Denoising Diffusion Probabilistic Models (DDPM) は、様々な世代タスクにおいて優れたパフォーマンスを実現している。 実際には、DDPMは高品質なサンプルを得るために何十万ものデノナイジングステップを必要とすることが多い。 本稿では,DDPMの早期停止型DDPM(Early-Stopped DDPM, ES-DDPM)の原理的高速化戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-25T06:40:09Z)

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。