本文研究扩散Transformer（DiT）中的异常标记问题，发现其在编码器和去噪器中均存在，且简单掩蔽无效。提出双阶段寄存器（DSR）干预方法，通过训练或测试时寄存器及扩散寄存器，在ImageNet和文本到图像生成中减少异常伪影，提升生成质量，强调控制异常标记对构建更强DiT的重要性。
本文提出了一种结合消除噪声扩散概率模型和重建过程的迭代算法，旨在降低医患电离辐射剂量并提升CT图像重建质量。研究表明，该方法通过级联扩散与差异缓解框架，能够有效减少伪影和噪音，同时保持图像清晰度，且计算效率高。
本文提出了一种新的方法来减少压缩图像的伪影，通过解耦内在属性为压缩不敏感特征和压缩敏感特征，并设计了压缩感知模块和双重引导网络。实验证明该方法在压缩质量和下游机器视觉任务方面具有优越性。
该文综述深度学习在稀疏视图CT重建中的应用，涵盖超分辨率网络、生成对抗网络、多任务学习等方法，可减少伪影、提升图像质量与重建精度，并探讨深度网络解决逆问题的可行性与鲁棒性。
完成下面两步后，将自动完成登录并继续当前操作。
