低剂量 CT 图像去噪的泊松流一致性模型
内容提要
该文综述生成模型进展：PFGM通过高维电场映射生成数据，在CIFAR-10表现优异；一致性模型可将扩散过程任意点映射至起点，实现一步采样；LCM、CTM等提升高分辨率图像生成速度与质量；DDFs建模离散变量；CMPE用于快速贝叶斯推断。
延伸解读
低剂量CT去噪的效率突破
文章指出，泊松流生成模型（PPFM）在低剂量CT图像去噪任务中优于扩散模型，且仅需1次函数评估（NFE=1）。这意味着在保持去噪质量的同时，计算成本大幅降低，对于临床场景中需要快速处理的CT图像具有实际意义。
一致性模型的核心机制与理论
一致性模型通过训练一系列函数，将扩散过程的任意时间步映射到起始点，实现一步采样。理论表明，生成与目标分布误差在ε内的样本，所需步骤数需超过d^{5/2}/ε，其中d为数据维度。这为模型的有效性提供了理论支撑，也提示高维数据可能需要更多步骤。
生成模型在跨领域任务中的扩展
文章综述了生成模型在多个方向的进展：LCM和CTM提升了高分辨率图像生成的速度与质量；DDFs专注于离散变量建模；CMPE则用于快速贝叶斯推断，在低维和高维去噪实验中表现优异。这些工作显示生成模型正从图像生成向更广泛的推理任务渗透。
Q&A
泊松流生成模型（PFGM）是如何实现数据生成的？
PFGM通过对高维半球面上的均匀分布进行映射来实现任何数据分布的生成。它利用电荷在一个带有额外维度的扩展空间中的分布和电场，学习高维电场及其在空间中的流动，从而生成数据。
一致性模型在一步采样方面有什么优势？
一致性模型通过训练一系列连贯性函数，能够将扩散过程的任何时间步骤的任意点映射到其起始点，从而实现一步采样。其理论基础表明，为了生成与目标分布在ε接近程度内的样本，连贯性学习的步骤数应超过d^{5/2}/ε，其中d为数据维度。
潜在一致性模型（LCMs）解决了什么问题？
LCMs解决了迭代抽样过程在高分辨率图像合成中的计算负担和生成速度慢的问题。它通过直接预测导引反向扩散过程的ODE解决方案在潜空间中，实现了快速、高保真度的采样。
离散去噪流模型（DDFs）与Discrete Flows相比有什么优势？
DDFs在对数似然度量中，在建模玩具示例、二进制MNIST和Cityscapes分割地图方面，优于Discrete Flows。
CMPE在贝叶斯推断中有什么特点？
CMPE是一种用于可扩展、快速和分摊的基于模拟的推断（SBI）的新型无限制条件采样器。它融合了正态流和流匹配方法的优点，能够通过未受限制的架构进行快速的少样本推断，适应估计问题的结构。
泊松流生成模型在低剂量CT图像去噪中的表现如何？
泊松流生成模型（PPFM）在低剂量CT图像去噪中优于扩散模型，并且函数评估次数显著减少（NFE=1）。
