[論文レビュー] Efficient Unrolled Networks for Large-Scale 3D Inverse Problems

Romain Vo, Julián Tachella|SPIRE - Sciences Po Institutional REpository|Jan 5, 2026

Sparse and Compressive Sensing Techniques被引用数 0

ひとこと要約

ドメイン分割と対角巡回正則演算子近似フレームワークを提案し、単一GPUでの大規模3D逆問題のエンドツーエンド展開用の展開ネットワークの訓練とデプロイを可能にし、3D CBCTとMC-MRIで最新性能を達成。

ABSTRACT

Deep learning-based methods have revolutionized the field of imaging inverse problems, yielding state-of-the-art performance across various imaging domains. The best performing networks incorporate the imaging operator within the network architecture, typically in the form of deep unrolling. However, in large-scale problems, such as 3D imaging, most existing methods fail to incorporate the operator in the architecture due to the prohibitive amount of memory required by global forward operators, which hinder typical patching strategies. In this work, we present a domain partitioning strategy and normal operator approximations that enable the training of end-to-end reconstruction models incorporating forward operators of arbitrarily large problems into their architecture. The proposed method achieves state-of-the-art performance on 3D X-ray cone-beam tomography and 3D multi-coil accelerated MRI, while requiring only a single GPU for both training and inference.

研究の動機と目的

• 大規模3D逆問題のメモリ効率の高いエンドツーエンド展開ネットワークの必要性を動機づける。
• 推論時には全ボリュームを操作しつつ、小パッチで訓練するドメイン分割戦略を導入する。
• 対角および巡回要因を用いた正規演算子近似を開発し、データ整合性更新を高速化する。
• メモリと計算要求を削減しつつ、3D CBCTとMC-MRIでの最先端性能を示す。

提案手法

• 信号領域を二つの直交部分空間に分割し、既知の文脈を条件として小さなパッチで演算を行う。
• パッチベースの訓練損失を定式化し、パッチを集約した際に全ボリュームのグラウンドトゥルースと一致させる。
• 正規演算子 A^T A を diagonal-circulant 因子 H = diag(m) F^{-1} diag(lambda) F として近似し、FFT に基づく高速更新を可能にする。
• ランダムな x に対して E[||A^T A x - H x||^2] を最小化する勾配降下法で diagonal および circulant factors (m, lambda) を適合させ、問題に依存しない訓練データを実現する。
• FFT をより小さなサイズ k = 2p に制限して tilde{A}^T tilde{A} x_patch を効率的に計算し、パッチ上での厳密性を保つ。
• 推論時の再構成は、学習済み事前情報をパッチごとに適用し、それを集約して、ドメイン文脈を用いた refinement を行う。

実験結果

リサーチクエスチョン

• RQ1 ドメイン分割は、任意に大きな3D逆問題に対して小パッチでエンドツーエンドの展開ネットワークを訓練可能にするか。
• RQ2 正規演算子の対角巡回因子分解は、大規模3D問題において正確で計算効率の良いデータ整合性更新を提供するか。
• RQ3 提案フレームワークは、既存の2D/3D手法とパッチベース手法と比べて、3D CBCTおよびMC-MRIでどのような性能を示すか。
• RQ4 単一GPU上で高解像度の3D体積をデプロイする際のメモリおよび訓練時間の利得はどれほどか。

主な発見

• 提案されたドメイン分割により、小パッチでの訓練を可能にしつつ、大規模3D問題で全ボリューム推論を実現する。
• 単一ファクターの対角巡回正規演算子近似は FFT によるデータ整合性更新を効率化し、モダリティを超えて良好に機能する。
• 本手法は、大規模3D CBCTとMC-MRIで最新の性能を達成しつつ、単一GPUでの訓練と推論を実現する。
• 実験は、CBCTで単一GPU上で最大 501^3 ボリュームのメモリと速度の利点を示し、MC-MRIではメモリ削減と同等の性能を示す。
• アブレーション研究は、ドメイン分割と正規演算子近似の各個別寄与を確認する。