HiSin: Efficient High-Resolution Sinogram Inpainting via Resolution-Guided Progressive Inference

要約

高解像度のシノグラムの開始は、高周波投影が見られないと目に見えるアーティファクトと診断エラーにつながる可能性があるため、コンピューター断層撮影の再構築に不可欠です。
拡散モデルは、その堅牢性と詳細な存在する機能のためにこのタスクに適していますが、高解像度の入力への適用は、過剰なメモリと計算の要求によって制限されます。
この制限に対処するために、解像度ガイド付きの進行性推論を介して入力する効率的なシノグラムのための新しい拡散ベースのフレームワークであるHisinを提案します。
低解像度でグローバル構造を徐々に抽出し、小さなパッチに対する高解像度の推論を扱い、メモリ効率の高いインパインティングを可能にします。
さらに、冗長な計算を減らすために、周波数に対応するパッチスキップと構造適応ステップ割り当てが組み込まれています。
実験結果は、Hisinがピークメモリの使用量を最大31.25％、推論時間を最大18.15％削減し、データセット、解像度、およびマスク条件全体で精度を開始することを示しています。

要約(オリジナル)

High-resolution sinogram inpainting is essential for computed tomography reconstruction, as missing high-frequency projections can lead to visible artifacts and diagnostic errors. Diffusion models are well-suited for this task due to their robustness and detail-preserving capabilities, but their application to high-resolution inputs is limited by excessive memory and computational demands. To address this limitation, we propose HiSin, a novel diffusion based framework for efficient sinogram inpainting via resolution-guided progressive inference. It progressively extracts global structure at low resolution and defers high-resolution inference to small patches, enabling memory-efficient inpainting. It further incorporates frequency-aware patch skipping and structure-adaptive step allocation to reduce redundant computation. Experimental results show that HiSin reduces peak memory usage by up to 31.25% and inference time by up to 18.15%, and maintains inpainting accuracy across datasets, resolutions, and mask conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google