医療画像合成のための拡散変形事前分布

構造骨格

ソースワークは、拡散モデルと変形を考慮した構造を組み合わせることで、合成が外観の一致だけでなく、解剖学的な変化を尊重するようにする。

物理概念／数学的対象

転移可能な構造は、幾何学によって制約される輸送プロセスである。有用なサンプルは、無関係な画像状態間を飛び移るのではなく、変形場を介して移動する。

AIターゲット問題

潜在構造を保持する必要があるターゲットマルチモーダル生成システム、例えば医療合成、シミュレーションから実世界への適応、あるいはセンシングモダリティ間の表現アライメントなど。

変数・演算子・目的のマッピング

• 変形場 -> ソース条件とターゲット条件間の潜在的輸送マップ
• 拡散軌跡 -> 不確実性を考慮した洗練パス
• 解剖学的整合性 -> 生成における構造保存制約

なぜこれがうまくいくのか

多くの生成パイプラインは、何が固定されるべきかについて規律ある説明なしに、外観の転送を学習する。変形を考慮した転送ビューは、モデルに、何が移動し、何が固定され、何が不確実なままかを格納する場所を提供する。

なぜ失敗するのか

ターゲットドメインの変更が輸送プロセスによって十分に近似されない場合、事前分布は制限的になる。不十分な変形推定は、拡散によって増幅される構造的エラーを注入する可能性もある。

最小の反証可能な実験

ペア化されたマルチモーダルベンチマークにおいて、ベースライン拡散モデルと、デノイジング前に明示的に潜在変形輸送事前分布を予測するモデルを比較する。構造的一貫性、不確実性キャリブレーション、および下流タスクの有用性を測定する。輸送事前分布が視覚的品質を向上させるが、構造メトリクスやキャリブレーションを向上させない場合は、本提案を却下する。