Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 14 октября 2026 года] Название: DeBoneDiT: Depth-Driven Contental Bridge Difcution Transferers for Con respection in Chest X-Ray View PDF HTML (экспериментальное) резюме: Chest RX-Ray (CXR) является основным средством диагностики легочных заболеваний, однако совпадение костных структур часто скрывает критические радиографические выводы, повышая риск диагностической неопределенности. В то время как двойственное энергосбережение (ДЭС) является клиническим критерием для подавления костей, его повсеместному внедрению в первую очередь препятствуют специализированные технические требования и повышение уровня радиационного облучения. В последнее время модели регенерации, основанные на распространении информации, продемонстрировали перспективность этой задачи, однако они по-прежнему сдерживаются скрытым сжатием в результате реконструкции, возникшим ранее разрывом в домене и нехваткой высококачественных парных наборов данных. Для решения этих проблем мы предлагаем DeBoneDIT, архитектуру распространения Трансформера с учетом глубины моста для эффективного подавления костей высокого разрешения. Сначала мы введем Deft Auto-Encoder (DAE) — симулятор для скрытого сжатия. Включив многоуровневую глубинную потерю, полученную из предварительно подготовленного энкодера Deft Effecting V2, DAE сохраняет как визуальную верность, так и структурную последовательность. Во-вторых, мы формулируем подавление костей как…
DeBoneDIT: Deft-Driven Contental Bridge Difclusion Transformers for Cond Recepting in Chest X-Ray Images
arXiv: 2610.1946v1 Annualce Type: New Humber: Chest X-Ray (CXR) является основным методом диагностики легочных заболеваний, однако совпадение костных структур часто затушевывает критические радиографические выводы, повышая риск диагностической неопределенности. В то время как двойственное энергосбережение (ДЭС) является клиническим критерием для подавления костей, его повсеместному внедрению в первую очередь препятствуют специализированные технические требования и повышение уровня радиационного облучения. В последнее время модели регенерации, основанные на распространении информации, продемонстрировали перспективность этой задачи, однако они по-прежнему сдерживаются скрытым сжатием в результате реконструкции, возникшим ранее разрывом в домене и нехваткой высококачественных парных наборов данных. Для решения этих проблем мы предлагаем DeBoneDIT, архитектуру распространения Трансформера с учетом глубины моста для эффективного подавления костей высокого разрешения. Сначала мы введем Deft Auto-Encoder (DAE) — симулятор для скрытого сжатия. Путем включения многоуровневой функции глубины lo
