逐阶层小波优化细化扩散模型在稀疏视角 CT 重建中的应用
通过提出一种基于小波的扩散方案以及使用重构项来提高模型训练收敛性,本文旨在缩小扩散模型与 GAN 模型之间速度差距,实验结果证明该方案是实现实时高保真扩散模型的基础。
Nov, 2022
提出了一种利用多尺度扩散模型的超稀疏视角 CT 重建方法,通过对图像信息的全局分布和局部特征进行重新构建,大大改善了超稀疏角度下图像重建质量,并在各种数据集中具有良好的泛化性能。
May, 2024
我们提出了一种名为 DiffLL 的稳健和高效的基于扩散模型的低光图像增强方法,它利用波浪变换加速推理并降低计算资源使用但不损失信息,并通过前向扩散和反向去噪实现稳定去噪和减少随机性。我们还设计了高频率恢复模块,利用图像的垂直和水平细节来补充对角信息以实现更好的细粒度恢复。大量实验证明,我们的方法在定量和视觉上均优于现有的最先进方法,并且与以前的扩散方法相比,在效率上获得了显着的提高。此外,我们还经验性地证明了方法在低光人脸检测方面的潜在实际价值。
Jun, 2023
提出了一种新颖的基于频域引导的多尺度扩散模型(FDDiff),该模型通过细化的步骤将高频信息的补充过程分解为更精细的步骤,使用小波包频域链提供多尺度的中间目标,以逐步补充缺失的高频细节,并利用多尺度频率细化网络在一个统一的网络中预测所需的多尺度高频成分,通过对流模型在图像超分辨率任务中生成高质量图像,并在广泛的评估中展示了其优于先前的生成方法的结果。
May, 2024
本文提出了一种基于连续小波嵌入式表示的 3D 形状生成、反演、操纵方法,包括紧凑的小波表示、扩散生成器、细节预测器、编码器等,实现了较为强大的形状生成、反演、操纵能力,优于现有的最新方法。
Feb, 2023
提出了一种利用基于分区汉克尔的扩散模型进行少量剂量 CT 重建的方法,该方法通过结构化张量从多个分区汉克尔矩阵中提取先验知识,利用迭代随机微分方程求解器以及数据一致性约束来更新获得的投影数据,并引入惩罚加权最小二乘和总变差技术以提高图像质量。结果表明,PHD 模型在减少伪影和噪音的同时保持图像质量方面表现出色。
May, 2024
通过 Wavelet-Based Diffusion Model 和 Efficient Conditional Sampling,本研究提出了一种更加高效的图像恢复方法,其速度可以达到传统方法的 100 倍以上,并在四个基准数据集上实现了最先进的性能。
May, 2023
通过结合 k - 空间数据和扩散过程的特性,本研究提出了一种新的方案,利用不同策略挖掘多频先验,并保留重建图像中细节纹理,同时通过高频先验提取器更快地收敛扩散过程,从而提高了 MRI 重建的准确性和采样过程的加速性。实验结果验证了该方法成功地获得了更准确的重建并超越了现有方法。
Sep, 2023
稀疏视图计算机断层扫描(CT)图像重建是一种重要方法,可以降低辐射暴露,但必然导致图像质量下降。本研究引入了一种新的级联扩散与差异缓解(CDDM)框架,包括潜空间中的低质量图像生成和像素空间中的高质量图像生成,在一个步骤的重建过程中实现了数据一致性和差异缓解。级联框架通过将一些推理步骤从像素空间移动到潜空间,从而降低了计算成本。差异缓解技术解决了由数据一致性引起的训练 - 采样差距问题,确保数据分布接近原始流形。本研究还采用了专用的交替方向乘法器方法(ADMM)来处理图像梯度,提供了一种更有针对性的正则化方法。两个数据集上的实验结果表明,与现有方法相比,CDDM 在高质量图像生成方面具有更清晰的边界,并突出了该框架的计算效率。
Mar, 2024