UniH^3: オールインワン医療画像復元のための階層的均質性と異質性の統合

オールインワン医療画像修復(MedIR)は、単一モデルで多様なタスクに対応することを目指しています。既存手法はタスク間の不均一性を重視していましたが、医療画像に共通する均一性は軽視されがちでした。本研究では、階層的な均一性と不均一性を統一する新しいフレームワーク「UniH3」を提案し、モデルの学習容易性と汎化性能の向上を図ります。

• 医療画像復元のための統一モデル「UniH3」が提案された。
• UniH3は、タスク間の異質性だけでなく、画像間の均質性も階層的に捉える。
• 均質性事前知識を抽出・適応的に利用する「Hierarchical Homogeneity Memory (H2M)」を導入。
• タスク間の干渉を緩和する「Hierarchical Heterogeneity Balancer (H2B)」も設計。
• 既存手法を上回る性能を示し、多様な医療画像修復タスクに対応可能。