提出了一种名为 DiffMSR 的高效扩散模型，用于多对比度磁共振成像的超分辨率重建，通过在高度紧凑的低维潜空间中应用扩散模型生成高频详细信息的先验知识，并设计了 PLWformer 作为解码器，使重建的 MR 图像保持无失真。在公共和临床数据集上的大量实验表明，DiffMSR 优于现有方法。

Apr, 2024

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

磁共振成像（MRI）应用领域中扩散概率模型（DPMs）的综述，包括 DPM 理论介绍、MRI 中的重建、异常检测等方面，以及 DPM 的限制和未来研究方向。

Nov, 2023

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

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

通过使用非衍射光束进行体积光学显微镜法，我们提出了 MicroDiffusion 工具，用于从有限的 2D 投影中进行高质量的、深度解析的 3D 体积重建。该方法融合了 INR 模型的结构连贯性和 DDPM 模型的细节增强能力，通过将 INR 和噪声输入之间的线性插值来指导 DDPM 的生成过程，从而提高了扩散过程的结构化 3D 信息，增强了本地化 2D 图像的细节，并在生成的 3D 重建中显著提高了保真度。

Mar, 2024

利用 Latent Diffusion Models (LDM) 从功能性磁共振成像（fMRI）中重建视觉刺激，NeuralDiffuser 引入基于主要视觉特征的指导以提供细节线索，扩展 LDM 方法的自下而上过程，实现忠实的语义和细节，同时通过一种新颖的指导策略确保重复重构的一致性结果。在 Natural Senses Dataset (NSD) 上取得了 NeuralDiffuser 的最新性能，提供了更忠实的细节和一致的结果。

Feb, 2024

本文结合传统的基于模型的迭代重建方法和现代扩散模型，提出了一种高度有效的方法来解决 3D 医学图像重建任务，包括稀疏视图断层扫描、有限角度断层扫描、预训练 2D 扩散模型压缩感知 MRI 等。我们在测试时提出了 2D 扩散先验的增强模型先验，从而实现了所有维度上的一致重建。该方法可以在单个普通 GPU 上运行，并且在最极端情况下（例如 2 视的 3D 断层扫描）表现出高保真度和准确度的重建。我们进一步揭示了该方法的泛化能力出乎意料地高，并且可以用于重建与训练数据集完全不同的体积。

Nov, 2022

提出了基于潜在扩散模型的多模态图像转换模型，通过使用切换块进行图像到图像转换，解决了临床实践中获取多种模态图像的难题，实现了高质量的目标模态生成。

Nov, 2023

Pyramid Diffusion Model (PDM) 通过金字塔潜在表示提供了更广泛的设计空间，以实现超高分辨率图像合成，结合空间通道注意力和 Res-Skip 连接，以及谱范数和递减的 Dropout 策略，使得 PDM 在生成任务方面具有更强的能力，首次成功合成了 2K 分辨率的图像。

Mar, 2024