深度扩散图像先验在三维逆问题中的高效非同分布适应
内容提要
本文提出了一种结合传统模型与现代扩散模型的高效3D医学图像重建方法，适用于稀疏视图和有限角度断层扫描。该方法在单个GPU上运行，具有高保真度、准确度和良好的泛化能力，适合不同体积的重建。通过补丁训练的扩散模型提高了数据效率，并在多种逆问题中表现出卓越性能。
延伸解读
方法核心：模型迭代与扩散先验的融合
该方法将传统基于模型的迭代重建与扩散模型相结合，在测试时利用2D扩散先验增强模型先验，确保三维重建在所有维度上保持一致。这种融合策略使算法能在单个普通GPU上运行，并处理稀疏视图和有限角度断层扫描等逆问题，为医学图像重建提供了高效且可扩展的解决方案。
数据效率与泛化能力
通过仅对图像补丁训练扩散模型，该方法显著提高了内存和数据效率，同时利用位置编码生成完整图像。实验表明，其泛化能力出乎意料地高，能够重建与训练数据集完全不同的体积，这降低了对于大规模训练数据的依赖，增强了在多样化临床场景中的适用性。
极端条件下的重建表现
在极端稀疏视图下（如仅2视的3D断层扫描），该方法仍能实现高保真度和准确度的重建。这得益于扩散先验对逆问题的有效正则化，以及ProjDiff等算法对预训练扩散模型降噪能力的充分利用，从而在高度欠采样条件下保持图像细节和结构完整性。
Q&A
这项3D医学图像重建方法的主要优势是什么？
该方法结合了传统模型和现代扩散模型，具有高保真度、准确度和良好的泛化能力，适用于稀疏视图和有限角度断层扫描。
该方法在硬件要求上有什么特点？
该方法可以在单个普通GPU上运行，降低了硬件要求。
ProjDiff算法的作用是什么？
ProjDiff算法通过引入辅助优化变量，将嘈杂的反问题重新定义为受约束的双变量优化任务，有效利用了预训练扩散模型的先验信息和降噪能力。
补丁训练的扩散模型如何提高数据效率？
通过仅对图像的补丁进行训练，该方法能够提高内存效率和数据效率，同时生成整个图像。
该方法适用于哪些逆问题？
该方法适用于CT重建、去模糊和超分辨率等多种逆问题。
该研究的泛化能力如何？
该方法的泛化能力出乎意料地高，可以用于重建与训练数据集完全不同的体积。
