論文の概要: Diffusion Plug-in Priors for Self-Supervised Ultrasound Video Restoration
- arxiv url: http://arxiv.org/abs/2611.05206v3
- Date: Wed, 11 Nov 2026 22:53:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.843205
- 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: UltraDiffは、超音波ビデオの超高解像度化と非特異化のためのフレームワークである。
サンプルの潜在シードを最適化することで、各フレームを復元する。
これはゼロショット射出率予測の平均絶対誤差を減少させる。
- 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 suffer from hardware-constrained spatial resolution and signal-dependent speckle, while paired low- and high-resolution acquisitions are rarely available. We propose UltraDiff, a self-supervised framework for joint ultrasound video super-resolution and despeckling that uses a frozen pre-trained diffusion model as a plug-in prior. Rather than retraining the model, UltraDiff restores each frame by optimizing the sampler's latent seed under a range-constrained maximum a posteriori-inspired formulation. We derive a speckle-aware data-fidelity term from a Rayleigh scale-family model and characterize its relative-residual and locally variance-adaptive weighting properties. To address degeneracy near zero intensities, we introduce a stabilized surrogate fidelity that is bounded below and strictly convex in log intensity for positive observations in its unclamped form. Total-variation regularization complements the removal of mixed noise, and a temporal seed update warm-starts each frame from the optimized seed of its predecessor, accelerating the convergence. On EchoNet-LVH with simulated speckle and additive noise, UltraDiff with a natural-image prior improves peak signal-to-noise ratio by 1.24\,dB over the strongest baseline, and ultrasound-related priors yield further gains. On 100 real EchoNet-Dynamic videos, UltraDiff reduces the mean absolute error of zero-shot ejection fraction prediction from 7.31 to 6.37 percentage points compared with DUP. These results support ground-truth-free ultrasound video restoration using frozen diffusion priors and a speckle-aware fidelity, without paired training data or model retraining.
- Abstract(参考訳): 超音波ビデオは、ハードウェア制約のある空間分解能と信号依存スペックルに悩まされるが、低解像度と高解像度の2つの買収はめったに行われない。
プラグインとして凍結事前学習拡散モデルを用いた超音波ビデオの超解像・解像のための自己教師型フレームワークであるUltraDiffを提案する。
モデルを再トレーニングする代わりに、UltraDiffはサンプルの潜伏シードを範囲制限された最大値の後方インスパイアされた定式化の下で最適化することで、各フレームを復元する。
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、その相対残差および局所変動適応重み付け特性を特徴付ける。
ゼロ強度近傍の縮退に対処するため, 安定なサロゲート忠実度を導入する。
全変量正規化は混合ノイズの除去を補完し、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させ、収束を加速させる。
模擬スペックルと付加雑音を持つEchoNet-LVHでは、自然な画像を持つUltraDiffは、最強ベースライン上でのピーク信号と雑音の比を1.24\,dB改善し、超音波関連の先行値はさらに向上する。
実際のEchoNet-Dynamic 100本のビデオでは、UltraDiffはDUPと比較してゼロショット射出率予測の平均絶対誤差を7.31から6.37ポイントに削減している。
これらの結果は,凍結拡散前兆とスペックル認識の忠実度を用いて,2つのトレーニングデータやモデル再トレーニングを伴わずに,地中真実のない超音波映像の復元を支援する。
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。