PPFM: Image denoising in photon-counting CT using single-step posterior sampling Poisson flow generative models

要約

拡散およびポアソン流モデルは、低線量 CT 画像のノイズ除去などの幅広い生成タスクで優れたパフォーマンスを示しています。
ただし、一般に、特に臨床応用では、サンプリングが遅いという制限があります。
反復的な性質のため、必要な関数評価 (NFE) の数は、条件付き生成と無条件生成の両方で、通常 $10-10^3$ 程度です。
この論文では、NFE=1 を維持しながら優れた画質を生成する、低線量フォトンカウンティング CT 用の新しい画像ノイズ除去技術である事後サンプリング ポアソン フロー生成モデル (PPFM) を紹介します。
ポアソン流生成モデル (PFGM)++ のトレーニングおよびサンプリング プロセスを更新し、事前のノイズ分布と対象の事後分布の間の軌道を定義する条件付きジェネレーターを学習します。
さらに、NFE=1 を達成するために、サンプリング プロセスをハイジャックして正規化します。
私たちの結果は、拡散モデルと比較した PFGM++ フレームワークの利点を明らかにしています。
さらに、PPFM は、NFE=1 を使用した現在の最先端の拡散スタイル モデル、一貫性モデル、一般的な深層学習および非深層学習ベースの画像ノイズ除去技術と比較して、臨床現場で優れたパフォーマンスを発揮することが示されています。
プロトタイプのフォトンカウンティング CT システムからの低線量 CT 画像と臨床画像。

要約(オリジナル)

Diffusion and Poisson flow models have shown impressive performance in a wide range of generative tasks, including low-dose CT image denoising. However, one limitation in general, and for clinical applications in particular, is slow sampling. Due to their iterative nature, the number of function evaluations (NFE) required is usually on the order of $10-10^3$, both for conditional and unconditional generation. In this paper, we present posterior sampling Poisson flow generative models (PPFM), a novel image denoising technique for low-dose and photon-counting CT that produces excellent image quality whilst keeping NFE=1. Updating the training and sampling processes of Poisson flow generative models (PFGM)++, we learn a conditional generator which defines a trajectory between the prior noise distribution and the posterior distribution of interest. We additionally hijack and regularize the sampling process to achieve NFE=1. Our results shed light on the benefits of the PFGM++ framework compared to diffusion models. In addition, PPFM is shown to perform favorably compared to current state-of-the-art diffusion-style models with NFE=1, consistency models, as well as popular deep learning and non-deep learning-based image denoising techniques, on clinical low-dose CT images and clinical images from a prototype photon-counting CT system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google