論文の概要: Diffusion Plug-in Priors for Self-Supervised Ultrasound Video Restoration
- arxiv url: http://arxiv.org/abs/2611.05206v2
- Date: Wed, 04 Nov 2026 09:49:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.793515
- Title: Diffusion Plug-in Priors for Self-Supervised Ultrasound Video Restoration
- Title（参考訳）: 自己超音速ビデオ再生のための拡散プラグイン
- Abstract要約: 我々は,2つのトレーニングデータやネットワーク再トレーニングを伴わずに超解像・脱スペックル超音波ビデオを実現するために,UltraDiffを提案する。
我々は、レイリースケールモデルからスペックル対応データ忠実度項を導出し、その相対残留および分散適応重み付け特性を特徴付ける。
EchoNet-LVHビデオでは、シミュレートされたスペックルと付加的なノイズがあり、UltraDiffはPSNRを最強のベースラインよりも1.24,dB改善する。
- 参考スコア（独自算出の注目度）: 18.585169610762104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultrasound videos are limited by hardware-constrained spatial resolution and signal-dependent speckle, while paired low- and high-resolution acquisitions for supervised restoration are rarely available. We aim to jointly super-resolve and despeckle ultrasound videos without paired training data or network retraining. We propose UltraDiff, which uses a frozen pre-trained diffusion model (DM) as a plug-in prior and restores each frame by optimizing the latent seed of the DM sampler under a range-constrained maximum a posteriori formulation. We derive a speckle-aware data-fidelity term from a Rayleigh scale-family model and characterize its relative-residual and variance-adaptive weighting properties. We further introduce a stabilized fidelity that is bounded below and strictly convex in log intensity for positive observations in its unclamped form. A total-variation regularizer complements the DM prior, and a temporal seed update warm-starts each frame from the optimized seed of its predecessor. On EchoNet-LVH videos with simulated speckle and additive noise, UltraDiff with a natural-image prior improves PSNR by 1.24\,dB over the strongest baseline, and ultrasound-related priors improve it further. On real clinical echocardiography videos, UltraDiff reduces the mean absolute error of zero-shot ejection fraction (EF) prediction from 7.31 to 6.37 EF points relative to DUP, the strongest baseline. Combining a speckle-aware fidelity with frozen diffusion priors enables ground-truth-free ultrasound video restoration that benefits downstream measurement. UltraDiff needs neither paired data nor retraining and is not tied to a specific diffusion checkpoint. Code associated with this work will be made publicly available upon acceptance.
- Abstract（参考訳）: 超音波ビデオは、ハードウェア制約された空間分解能と信号依存スペックルによって制限されるが、教師付き復元のための低解像度と高解像度の2つの取得は稀である。
我々は,2つのトレーニングデータやネットワーク再トレーニングを伴わずに,共同で超解像・非スペックル超音波ビデオを作成することを目的としている。
そこで,本研究では,凍結事前学習拡散モデル(DM)をプラグインとして使用し,DMサンプリング器の潜伏種子を範囲制約の最大値 A の定式化の下で最適化することにより,各フレームを復元するUltraDiffを提案する。
我々は、レイリースケールモデルからスペックル対応データ忠実度項を導出し、その相対残留および分散適応重み付け特性を特徴付ける。
さらに, 傾斜しない状態での正の観測のために, 下界と厳密な対数強度に束縛された安定化された忠実度を導入する。
総変量正則化器は、DM先行を補完し、時間的シード更新は、前者の最適化されたシードから各フレームをウォームスタートする。
擬似スペックルと付加雑音を持つEchoNet-LVHビデオでは、UltraDiffは、最強のベースライン上でPSNRを1.24\,dB改善し、超音波関連の先行技術はさらに改善する。
実際の心エコービデオでは、UltraDiffは、ゼロショット放出率(EF)予測の平均絶対誤差を、最強基準であるDUPと比較して7.31から6.37 EFポイントに減少させる。
スペックルを意識した忠実度と凍結した拡散先行値を組み合わせることで、下流での計測の恩恵を享受できる地道な超音波ビデオの復元が可能になる。
UltraDiffはペアデータも再トレーニングも必要とせず、特定の拡散チェックポイントに縛られない。
この作業に関連するコードは、受理時に公開されます。
関連論文リスト
- Adversarial Training for Pixel Diffusion [56.81974037444868]
画素拡散モデルは、オートエンコーダのボトルネックを避けるためにRGB画像を直接生成する。
対人学習は、この欠損症に対して効果的な訓練後修正を提供することを示す。
論文 参考訳（メタデータ） (2026-09-29T17:59:41Z) - Null-Space Diffusion Restoration with Adaptive Uncertainty-Guided Fusion for Ultrasound Speckle Reduction [2.081691729410268]
超音波Bモードイメージングは通常、スペックルノイズやアーティファクトに悩まされる。
新しい不確実性誘導型ヌル空間拡散(UGNS)フレームワークは、安定化された正エンベローププロキシ上での整合性を強制する。
UGNSは細かな空間分解能を保ちながらスペックルノイズを効果的に抑制することが検証された。
論文 参考訳（メタデータ） (2026-08-30T14:45:13Z) - Bayesian Tensor Decomposition with Diffusion Model Prior [30.908620489273886]
本稿では,ハイブリッド・プライオリティのCP分解フレームワークであるDiffBCPを紹介する。
確率, 低ランク制約, 拡散前の結合性に拘わらず, 後部推論を抽出可能とする。
高解像度のアウト・オブ・ディストリビューション画像を含む画像の塗布とデノイングの実験は、一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-02T06:13:42Z) - Diffusion-DRF: Differentiable Reward Flow for Video Diffusion Fine-Tuning [72.16213872139748]
Diffusion-DRFは、微調整ビデオ拡散モデルのための微分可能な報酬フローである。
拡散縮退鎖を介してVLMフィードバックをバックプロパゲートする。
ビデオの品質とセマンティックアライメントを改善し、報酬のハッキングと崩壊を緩和する。
論文 参考訳（メタデータ） (2026-01-07T18:05:08Z) - Rethinking Diffusion Model-Based Video Super-Resolution: Leveraging Dense Guidance from Aligned Features [51.5076190312734]
ビデオ超解法アプローチは、エラーの蓄積、空間的アーティファクト、知覚的品質と忠実さのトレードオフに悩まされる。
ビデオ超解像(DGAF-VSR)に適した特徴を持つ新しい誘導拡散モデルを提案する。
合成および実世界のデータセットの実験では、DGAF-VSRがVSRの重要な側面において最先端の手法を超越していることが示されている。
論文 参考訳（メタデータ） (2025-11-21T03:40:45Z) - Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model [20.480681036392173]
高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。
超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
論文 参考訳（メタデータ） (2025-11-18T10:14:28Z) - Prior-Guided Residual Diffusion: Calibrated and Efficient Medical Image Segmentation [11.375625987308927]
Prior-Guided Residual Diffusion (PGRD) は、ボクセルの分布を学習する拡散ベースのフレームワークである。
MRIおよびCTデータセットを用いて評価した。
論文 参考訳（メタデータ） (2025-09-01T10:13:15Z) - DiTVR: Zero-Shot Diffusion Transformer for Video Restoration [48.97196894658511]
DiTVRはゼロショットビデオ復元フレームワークで、拡散トランスフォーマーと軌跡を意識した注意と流れ一貫したサンプルを結合する。
我々の注意機構は、光流路に沿ってトークンを整列させ、特に時間力学に最も敏感な重要な層に重点を置いている。
フローガイドされたサンプリング装置は、低周波帯域にのみデータの一貫性を注入し、キャッシュを加速させながら高周波事前保存を行う。
論文 参考訳（メタデータ） (2025-08-11T09:54:45Z) - Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。
拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
論文 参考訳（メタデータ） (2025-07-02T01:22:46Z) - Deep Sylvester Posterior Inference for Adaptive Compressed Sensing in Ultrasound Imaging [16.553626039240903]
必要なスキャンラインの数を最小化することで、フレームレート、視野、エネルギー効率、データ転送速度を大幅に向上させることができる。
本稿では,固有情報ゲインをその場で最大化する適応サブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2025-01-07T14:37:14Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:14:06Z)
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。