In the realm of medical imaging, inverse problems aim to infer high-quality
images from incomplete, noisy measurements, with the objective of minimizing
expenses and risks to patients in clinical settings. The diffusion
Bayesian Diffusion Models (BDM) 通过紧密地将自上而下的（先验）信息与自下而上的（数据驱动）过程通过联合扩散过程有效地进行贝叶斯推断，展现了在 3D 形状重建任务上的有效性。相较于典型的用于配对（监督）数据标签（例如图像点云）数据集训练的深度学习数据驱动方法，我们的 BDM 从单独的标签（例如点云）中引入丰富的先验信息，以改善自下而上的 3D 重建。与标准的贝叶斯框架要求显式的先验和似然不同，BDM 通过学习到的梯度计算网络通过耦合扩散过程实现无缝信息融合。我们在合成和真实的 3D 形状重建基准测试中展示了最先进的结果。