基于扩散模型增强的向量量化码本先验的全能医学图像修复

全能医学图像修复（MedIR）旨在使用统一模型 addresses 多个MedIR任务，同时从低质量（LQ）医学图像（如MRI、CT和PET）中恢复出多种高质量（HQ）医学图像。然而，全能MedIR由于不同任务之间的异质性，面临重大挑战。每个任务都涉及不同的退化，导致LQ图像中信息损失的类型各不相同。现有方法难以处理与不同任务相关的多样化信息损失。为此，我们提出了一种基于扩散模型增强的向量量化码本先验，开发了\textbf{DiffCode}，一个利用该先验进行全能MedIR的新型框架。具体而言，为弥补不同任务相关的多样化信息损失，DiffCode构建了一个任务自适应码本库，以整合跨任务中特定任务的HQ先验特征，捕获全面先验。此外，为增强从码本库中检索先验，DiffCode引入了潜在扩散策略，利用扩散模型的强大映射能力，迭代细化潜在特征分布，在修复过程中估计更准确的HQ先验特征。借助任务自适应码本库和潜在扩散策略，DiffCode在三个MedIR任务：MRI超分辨率、CT去噪和PET合成中，在定量指标和视觉质量方面均实现了卓越的性能。