Jul, 2023

基于潜隐扩散模型的稀疏数据重建的迭代重建

PDF
TL;DR通过结合迭代重建和无监督潜在扩散模型，Latent Diffusion Iterative Reconstruction (LDIR) 方法能够以高效的方式重建高分辨率图像，超过其他无监督方法并接近有监督方法的性能，同时具有更快的执行时间和更低的内存消耗。
computed tomographyiterative reconstructionlatent diffusion iterative reconstructionpre-trained latent diffusion modelunsupervised ct reconstruction
发现论文，激发创造
  • 潜在扩散先验增强的深度展开在光谱影像重建中的应用

    使用生成模型、潜在扩散模型和基于回归的深展开方法，提出了一种轻量级模型来生成导向重建过程，以改善快照压缩光谱成像重建的质量和计算效率。

    Nov, 2023

  • DiffuseIR: 用扩散模型重建等向性三维显微图像

    使用扩散模型的无监督等距重建方法能够将低轴向分辨率的显微成像重建为高轴向分辨率的结果，无需重新训练，这个方法在电镜数据实验中实现了最新技术的表现甚至可以与监督方法竞争。

    Jun, 2023

  • InverseSR：使用潜在扩散模型进行脑部 MRI 超分辨率

    利用潜在扩散模型 (latent diffusion model) 配合深度学习方法，提高临床 MRI 扫描的分辨率，为 MRI 重建提供有力的先验信息。

    Aug, 2023

  • 盲逆问题基于潜在扩散先验的研究

    通过使用潜在扩散先验，我们提出了一种创新的技术 LatentDEM，用于解决更具挑战性的盲逆问题。该方法核心是在迭代的期望最大化（EM）框架中解决盲逆问题：（1）E 步使用潜在扩散先验和已知的前向模型从损坏的观测中恢复清晰图像，（2）M 步基于恢复的图像估计前向算子。此外，我们提出了两种针对潜在扩散先验和 EM 框架定制的新型优化技术，从而实现更准确高效的盲逆转结果。作为一个通用框架，LatentDEM 支持线性和非线性逆问题。除了常见的 2D 图像恢复任务，它还能在非线性 3D 逆渲染问题中提供新的功能。我们通过在代表性的 2D 盲去模糊和 3D 稀疏视图重建任务上验证了 LatentDEM 的性能，证明其相比之前的方法具有更高的功效。

    Jul, 2024

  • 扩散先验正则化迭代重建低剂量 CT

    通过将消除噪声扩散概率模型（DDPM）与优先数据保真度的重建过程相结合，我们引入了一种迭代重建算法，以减少医患暴露于电离辐射的剂量，从而实现无监督框架中的卓越重建结果。通过融合这两种技术的优点，以及应用 Nesterov 动量加速技术，我们进一步提高了重建过程的效率，为高清晰 CT 图像重建提供了潜在途径。

    Oct, 2023

  • Reti-Diff：基于 Retinex 的潜隐扩散模型的光照退化图像修复

    使用 Reti-Diff 方法，结合 Retinex 的知识和像素重构技术，以实现光照恢复和图像修复的高效率和准确性。

    Nov, 2023

  • 自适应和扩散：通过潜在扩散模型实现样本适应性重建

    我们提出了一种名为 “严重性编码” 的新方法，通过在自编码器的潜在空间中估计噪声、退化信号的退化严重程度，从而在样本自适应推断时间、重建问题的难度上取得了显著性进展。同时，利用潜在扩散模型基于预测的退化严重程度来调整反向扩散采样轨迹，从而在维持与观测一致性的同时实现样本自适应的推断时间，与现有扩散法技术相比，我们的技术在计算效率方面有明显提升。

    Sep, 2023

  • U$^2$MRPD：基于大规模潜在扩散模型的无监督 MRI 欠采样重建

    LLDM 在自然图像上的预训练模型所含的隐性视觉知识可能适用于自然图像和医学图像。通过 U$^2$MRPD 框架，我们验证了这一假设，该框架通过 MRSampler 和 MRAdapter 使 LLDM 适用于复杂数值 MRI 图像的无监督欠采样重建，实现了比监督方法和 MRI 扩散方法更好的性能，并且具有最佳的泛化能力。

    Feb, 2024

  • 基于潜变扩散模型的长尾识别

    通过基于隐式扩散模型的特征增强方法，本研究解决计算机视觉中的长尾不平衡分布问题，并在 CIFAR-LT 和 ImageNet-LT 数据集上验证了模型的准确性提升。

    Apr, 2024

  • 融合监督和无监督学习提升低剂量 CT 图像重构

    我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

    Nov, 2023