論文の概要: Real Pairs Are Not Enough: Physically Anchored Supervision for Volumetric CT Super-Resolution
- arxiv url: http://arxiv.org/abs/2611.15514v1
- Date: Wed, 11 Nov 2026 14:08:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.163312
- Title: Real Pairs Are Not Enough: Physically Anchored Supervision for Volumetric CT Super-Resolution
- Title(参考訳): ボリュームCTの超解像のための物理アンコール・スーパービジョン(動画)
- Abstract要約: 本稿では,PIN(Physal-anchored Implicit Network)とReal-Pair Dual-Anchor Learningを紹介する。
PINは、取得したLR再構成を強制せずに両方の物理的スキャンから学習し、登録されたHRボクセルとボクセルを一致させる。
PINはLPIPSが最も低く、平均対称表面距離を42.3-49.5%減少させ、骨体積の誤差を52.2-53.4%減少させる。
- 参考スコア(独自算出の注目度): 13.164233952928734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Volumetric CT super-resolution (SR) models are commonly trained on synthetic or physically acquired pairs of low-resolution (LR) and high-resolution (HR) volumes. However, synthetic pairs miss real acquisition effects, whereas registered physical pairs retain inter-scan noise, artifact, and microstructure differences---causing direct voxelwise regression, and even naive synthetic-real mixing, to oversmooth fine porous structures. We introduce the Physically-anchored Implicit Network (PIN) with Real-Pair Dual-Anchor learning, which decouples physical-pair supervision into two complementary roles. The HR anchor teaches fine structure from registered HR through pair-conditioned spectral replay, while the LR anchor constrains the prediction from acquired LR via affine-calibrated low-pass projection. Together with exact synthetic supervision in one shared volumetric implicit model, PIN learns from both physical scans without forcing the acquired-LR reconstruction to match registered HR voxel by voxel. Inference requires only acquired LR. Across 30 external baseline configurations on real CT, PIN achieves the lowest full-volume LPIPS, reduces average symmetric surface distance by 42.3-49.5% and bone-volume-fraction error by 52.2-53.4% relative to the three strongest baselines for each metric, and lowers the erased reference-pore volume fraction from 37.3-72.9% to 10.4%. Code, pretrained models, and evaluation scripts will be publicly available.
- Abstract(参考訳): ボリュームCT超解像(SR)モデルは通常、合成または物理的に取得された低分解能(LR)と高分解能(HR)ボリュームのペアで訓練される。
しかし、合成対は実際の獲得効果を逃す一方、登録された物理対はスキャン間ノイズ、アーティファクト、微細構造の違いを保ちます。
本稿では,PIN(Physal-anchored Implicit Network)とReal-Pair Dual-Anchor Learning(Real-Pair Dual-Anchor Learning)を紹介する。
HRアンカーは、ペア条件のスペクトルリプレイにより、登録されたHRから微細構造を教える一方、LRアンカーは、アフィンキャリブレーションされたローパスプロジェクションを介して、取得したLRからの予測を制約する。
1つの共有ボリューム暗黙モデルにおける正確な合成監督とともに、PINは、取得したLR再構成をヴォクセルによって登録されたHRボクセルと一致させることなく、両方の物理スキャンから学習する。
推論は、取得されたLRのみを必要とする。
実際のCT上の30の外部ベースライン構成のうち、PINはLPIPSが最も低く、平均対称表面距離を42.3-49.5%、骨体積摩擦誤差を52.2-53.4%減らし、消去された基準細孔体積率を37.3-72.9%から10.4%に下げる。
コード、事前訓練されたモデル、評価スクリプトが公開される。
関連論文リスト
- Coarse-to-Fine 3D MRI Reconstruction via Resolution-Agnostic Neural Operators [65.3553890415457]
KIR-NOは3次元MRI再構成を高速化するための分解能に依存しないフレームワークである。
低解像度ボリュームをフルバックプロパゲーションでトレーニングし、推論時にゼロショットを高解像度ボリュームに適用する。
SKM-TEAの4倍の加速で半分の解像度で2.2dBのPSNRで最先端の3D CNNよりも改善され、ゲインは8倍と16倍に持続する。
論文 参考訳(メタデータ) (2026-11-11T03:38:29Z) - Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳(メタデータ) (2026-09-29T11:24:19Z) - Deep Slice Interpolation for Reducing Through-Plane Anisotropy and Noise in Head CT [0.0]
本稿では,隣接する一対の軸スライスから中間CTスライスを合成する深層学習システムを提案する。
このシステムは、3次元の可視化を改善しながら、自然に識別された出力を同時に生成する。
論文 参考訳(メタデータ) (2026-06-08T10:45:51Z) - LiFT: Lifted Inter-slice Feature Trajectories for 3D Image Generation from 2D Generators [15.815426921881382]
LiFTは、3次元ボリューム合成をスライス毎の画像生成とスライス間軌道学習に分解する、リフテッド・インタースライス・フィーチャー・トラジェクトリのフレームワークである。
我々は BraTS 2023 (unconditional and missing-modality MR) と SynthRAD 2023 (MR-to-CT) の LiFT の評価を行った。
論文 参考訳(メタデータ) (2026-05-18T19:30:19Z) - Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。
単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。
LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
論文 参考訳(メタデータ) (2025-11-20T04:11:44Z) - Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [51.95884144860506]
3次元コーンビームCT(CBCT)におけるリングアーティファクトの意義
既存のSOTA(State-of-the-art)リングアーティファクトリダクション(RAR)法は、大規模なペアCTデータセットによる教師あり学習に依存している。
本研究では,新しい教師なしRAR手法であるRinerを提案する。
論文 参考訳(メタデータ) (2024-12-08T08:22:58Z) - Enhanced Super-Resolution Training via Mimicked Alignment for Real-World Scenes [51.92255321684027]
トレーニング中、LR入力とHR画像の整列により、誤調整問題を緩和する新しいプラグアンドプレイモジュールを提案する。
具体的には,従来のLR試料の特徴を保ちながらHRと整合する新しいLR試料を模倣する。
本手法を合成および実世界のデータセット上で総合的に評価し,SRモデルのスペクトル間での有効性を実証した。
論文 参考訳(メタデータ) (2024-10-07T18:18:54Z) - PR-RRN: Pairwise-Regularized Residual-Recursive Networks for Non-rigid
Structure-from-Motion [58.75694870260649]
PR-RRNは、非剛性構造移動のための新しいニューラルネットワークベースの手法である。
再建をさらに規則化するための2つの新しいペアワイズ正規化を提案する。
提案手法は,CMU MOCAPとPASCAL3D+データセットの最先端性能を実現する。
論文 参考訳(メタデータ) (2021-08-17T08:39:02Z)
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。