論文の概要: Bayesian PET Reconstruction with Learned Flow Matching Priors via Langevin Sampling

• arxiv url: http://arxiv.org/abs/2610.41337v1
• Date: Fri, 30 Oct 2026 06:51:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.636178
• Title: Bayesian PET Reconstruction with Learned Flow Matching Priors via Langevin Sampling
• Title（参考訳）: ラーニングフローマッチングを用いたLangevinサンプリングによるベイズPET再構成
• Abstract要約: 本稿では,高品質なPET画像から学習したフロー調整生成を生かした新しいベイズPET再構成フレームワークを提案する。 提案手法は, 後続の不確実性定量化を実現しつつ, 復元性能の向上を実現する。
• 参考スコア（独自算出の注目度）: 6.250380219388294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image reconstruction for positron emission tomography (PET) is a challenging inverse problem due to its inherent ill-posedness and Poisson counting noise, particularly in low-dose acquisitions. In this work, we introduce a novel Bayesian PET reconstruction framework that leverages a flow-matching generative prior learned from high-quality PET images. By incorporating this prior, we formulate PET reconstruction as a Bayesian inference problem and solve it via latent-space posterior sampling using the unadjusted Langevin algorithm. We evaluate the proposed method through numerical experiments and benchmark it against classical reconstruction methods and state-of-the-art deep learning-based baselines. The proposed method achieves improved reconstruction performance while enabling posterior uncertainty quantification.
• Abstract（参考訳）: ポジトロン・エミッション・トモグラフィー(PET)の画像再構成は、特に低用量取得において、その固有の不利さとポアソンカウントノイズが原因で難しい逆問題である。 本研究では,高品質なPET画像から得られたフローマッチング生成を利用した新しいベイズPET再構成フレームワークを提案する。 従来, PET再構成をベイズ推論問題として定式化し, 未調整のランゲヴィンアルゴリズムを用いて遅延空間後方サンプリングにより解いた。 提案手法を数値実験により評価し,従来の再構築手法や最先端のディープラーニングベースラインと比較した。 提案手法は, 後続の不確実性定量化を実現しつつ, 復元性能の向上を実現する。

関連論文リスト

• Flow Matching-Based PET Image Reconstruction [4.971881974135159]
  フローマッチングは中間状態からクリーンな画像を直接推定することができる。 生成モデルはポジトロン・エミッション・トモグラフィー(PET)の再構築に強い可能性を示している。
  論文  参考訳（メタデータ） (2026-08-20T14:42:44Z)
• PET Image Reconstruction Using Deep Diffusion Image Prior [3.1878756384085936]
  拡散モデルに基づく解剖学的事前誘導PET画像再構成法を提案する。 提案手法は,PET法により誘導される拡散サンプリングとモデル微調整とを交互に行う。 実験結果から,提案するPET再構成法はトレーサー分布とスキャナータイプにまたがって頑健に一般化可能であることがわかった。
  論文  参考訳（メタデータ） (2025-07-20T18:25:29Z)
• FIMA-Q: Post-Training Quantization for Vision Transformers by Fisher Information Matrix Approximation [55.12070409045766]
  ポストトレーニング量子化(PTQ)は近年,費用対効果と有望なモデル圧縮パラダイムとして注目されている。 ビジョン変換器(ViT)の現在のPTQ法は、特に低ビット量子化において、精度が著しく低下している。
  論文  参考訳（メタデータ） (2025-06-13T07:57:38Z)
• APHQ-ViT: Post-Training Quantization with Average Perturbation Hessian Based Reconstruction for Vision Transformers [71.2294205496784]
  平均摂動ヘシアン (APH) を用いた重要度推定に基づく新しいPTQ手法である textbfAPHQ-ViT を提案する。 本稿では,線形量子化器を用いたAPHQ-ViTが既存のPTQ法よりも3ビット,4ビットの差が大きいことを示す。
  論文  参考訳（メタデータ） (2025-04-03T11:48:56Z)
• Implicit neural representations for end-to-end PET reconstruction [3.7066816275267627]
  Inlicit Neural representations (INRs) は、様々な医療画像のタスクにおいて強力な機能を示した。 暗黙的SIRENニューラルネットワークアーキテクチャに基づく教師なしPET画像再構成手法を提案する。 本手法では, ホログラムから直接PET画像の再構成を行うために, 前方投影モデルと損失関数が組み込まれている。
  論文  参考訳（メタデータ） (2025-03-26T08:30:53Z)
• Improving Diffusion Inverse Problem Solving with Decoupled Noise Annealing [84.97865583302244]
  Decoupled Annealing Posterior Smpling (DAPS) と呼ばれる新しい手法を提案する。 DAPSは、新しいノイズアニール法に依存している。 DAPSは複数の画像復元作業において,サンプル品質と安定性を著しく向上することを示した。
  論文  参考訳（メタデータ） (2024-07-01T17:59:23Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• Estimating Uncertainty in PET Image Reconstruction via Deep Posterior Sampling [0.0]
  PET画像の再構成手法の大半は、反復的および深層学習であり、関連する不確実性を定量化せずに単一の推定値を返す。 本稿では,後部サンプリングによるPET画像再構成における不確実性に対する深層学習に基づく手法を提案する。 提案モデルでは,高品質な後続サンプルを生成し,物理的に有意な不確かさを推定する。
  論文  参考訳（メタデータ） (2023-06-07T10:04:16Z)
• Direct PET Image Reconstruction Incorporating Deep Image Prior and a Forward Projection Model [0.0]
  畳み込みニューラルネットワーク(CNN)は近年,PET画像再構成において顕著な性能を発揮している。 深層画像前処理を組み込んだ非教師なし直接PET画像再構成手法を提案する。 提案手法は,非教師なしPET画像再構成を実現するために,損失関数付き前方投影モデルを組み込んだ。
  論文  参考訳（メタデータ） (2021-09-02T08:07:58Z)

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。