Diffusion Active Learning: Towards Data-Driven Experimental Design in Computed Tomography

要約

拡散能動学習（Diffusion Active Learning）とは、生成的拡散モデリングとデータ駆動型逐次実験デザインを組み合わせて、逆問題のデータを適応的に取得する新しいアプローチである。広く適用可能であるが、構造化された事前データセットが利用可能であり、データ要件の削減が測定時間の短縮とX線被曝線量の低減に直結する、実験的検証のための科学的コンピュータ断層撮影（CT）に焦点を当てる。まず、領域固有のCT再構成に対して無条件拡散モデルを事前学習する。この拡散モデルは、データに依存し、基礎となるデータ分布の構造を捉える学習済み事前学習として機能し、その後2つの方法で使用される：拡散モデルは能動学習プロセスを駆動し、再構成の質を向上させる。能動学習ループの間、我々は拡散事後サンプリングの変形を採用し、事後分布から条件付きデータサンプルを生成し、現在の測定値との整合性を確保する。これらのサンプルを用いて、現在の推定値の不確実性を定量化し、最も情報量の多い次の測定値を選択する。その結果、データ収集の必要量が大幅に削減され、X線照射量の低減に対応すると同時に、実世界の複数の断層撮影データセットにおいて画像再構成の品質が向上することが示された。

要約(オリジナル)

We introduce Diffusion Active Learning, a novel approach that combines generative diffusion modeling with data-driven sequential experimental design to adaptively acquire data for inverse problems. Although broadly applicable, we focus on scientific computed tomography (CT) for experimental validation, where structured prior datasets are available, and reducing data requirements directly translates to shorter measurement times and lower X-ray doses. We first pre-train an unconditional diffusion model on domain-specific CT reconstructions. The diffusion model acts as a learned prior that is data-dependent and captures the structure of the underlying data distribution, which is then used in two ways: It drives the active learning process and also improves the quality of the reconstructions. During the active learning loop, we employ a variant of diffusion posterior sampling to generate conditional data samples from the posterior distribution, ensuring consistency with the current measurements. Using these samples, we quantify the uncertainty in the current estimate to select the most informative next measurement. Our results show substantial reductions in data acquisition requirements, corresponding to lower X-ray doses, while simultaneously improving image reconstruction quality across multiple real-world tomography datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL