更大并不总是更好：迈向医学图像重建的通用先验
图像与视频处理
2025-01-14 v1
摘要
扩散模型已成功应用于许多逆问题，包括MRI和CT重建。研究人员通常不加修改地重新利用最初为无条件采样设计的模型。使用两种不同的后验采样算法，我们经验性地表明，这样的大型网络并非必要。我们最小的模型，实际上是一个ResNet，在分布内重建上的表现几乎与注意力U-Net一样好，同时对分布偏移具有显著更强的鲁棒性。此外，我们引入了在自然图像上训练的模型，并证明它们可以用于MRI和CT重建，在分布外情况下优于在医学图像上训练的模型。基于我们的发现，我们强烈建议不要简单地重复使用非常大的网络，并鼓励研究人员根据具体任务调整模型复杂度。此外，我们认为，迈向通用基于扩散先验的关键一步是在自然图像上进行训练。
引用
@article{arxiv.2501.07376,
title = {Bigger Isn't Always Better: Towards a General Prior for Medical Image Reconstruction},
author = {Lukas Glaszner and Martin Zach},
journal= {arXiv preprint arXiv:2501.07376},
year = {2025}
}
备注
To appear in the German Conference on Pattern Recognition proceedings. Code available at https://github.com/VLOGroup/bigger-isnt-always-better