Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction

要約

拡散モデルの除去は、イメージングで逆問題を解決するための生成的なフレームワークとして浮上しています。
これらのモデルに関する重要な懸念は、分散型課題のパフォーマンスです。これは、未調査の課題のままです。
分散分布データセットで拡散モデルを使用すると、現実的な再構成を生成できますが、トレーニングデータセットに一意に存在する幻覚画像機能を使用すると生成できます。
列車テストの時間中にこの不一致に対処し、再建の精度を改善するために、操縦可能な条件拡散と呼ばれる新しいサンプリングフレームワークを紹介します。
具体的には、このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と同時に拡散モデルを適応させます。
提案された方法を利用して、多様なイメージングモダリティ全体で分散型パフォーマンスの大幅な強化を実現し、実際のアプリケーションで拡散モデルを除去する堅牢な展開を進めます。

要約(オリジナル)

Denoising diffusion models have emerged as the go-to generative framework for solving inverse problems in imaging. A critical concern regarding these models is their performance on out-of-distribution tasks, which remains an under-explored challenge. Using a diffusion model on an out-of-distribution dataset, realistic reconstructions can be generated, but with hallucinating image features that are uniquely present in the training dataset. To address this discrepancy during train-test time and improve reconstruction accuracy, we introduce a novel sampling framework called Steerable Conditional Diffusion. Specifically, this framework adapts the diffusion model, concurrently with image reconstruction, based solely on the information provided by the available measurement. Utilising our proposed method, we achieve substantial enhancements in out-of-distribution performance across diverse imaging modalities, advancing the robust deployment of denoising diffusion models in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google