ハイシノグラム補完におけるトレーニングフリー推論

arXiv:2506.08809v4 Announce Type: replace 要約：ハイシノグラム補完は、欠落している投影データによる深刻なアーチファクトを防ぐためにコンピュータ断層法再構築において極めて重要です。ディフューションモデルはこのタスクに強力な生成事前分布を提供しますが、推論コストは解像度の上昇とともに禁止的に高くなります。私たちは、ハイシノグラム補完のためのトレーニングフリーかつ効率的なディフューション推論アプローチである HRSino を提案します。HRSino は、信号特性の空間的な不均質性（スペクトルのスパース性や局所的な複雑性など）を明示的に考慮し、均一なハイ解像度ディフューションステップを適用するのではなく、推論リソースを空間領域と解像度に対して適応的に配分します。これにより、粗いスケールでの globally 一貫性をキャッチしつつ、必要な場合にのみ局所的な詳細を精製できます。実験結果は、SOTA フレームワークと比較して最大 30.81% のピークメモリ使用量削減、最大 17.58% の推論時間削減を示しており、データセットと解像度全体で補完精度を維持しています。

arXiv:2506.08809v4 Announce Type: replace Abstract: High-resolution sinogram completion is critical for computed tomography reconstruction, as missing projections can introduce severe artifacts. While diffusion models provide strong generative priors for this task, their inference cost grows prohibitively with resolution. We propose HRSino, a training-free and efficient diffusion inference approach for high-resolution sinogram completion. By explicitly accounting for spatial heterogeneity in signal characteristics, such as spectral sparsity and local complexity, HRSino allocates inference effort adaptively across spatial regions and resolutions, rather than applying uniform high-resolution diffusion steps. This enables global consistency to be captured at coarse scales while refining local details only where necessary. Experimental results show that HRSino reduces peak memory usage by up to 30.81% and inference time by up to 17.58% compared to the state-of-the-art framework, and maintains completion accuracy across datasets and resolutions.