面向稳定超稀疏视角CT重建的数据迭代优化评分模型
计算机视觉与模式识别
2023-08-29 v1 人工智能
摘要
基于评分的生成模型(SGMs)因能精确采样复杂分布而在稀疏视角CT重建中备受关注。在基于SGM的重建中,基于评分的扩散模型中的数据一致性确保生成样本紧密遵循观测数据分布,这对提升图像质量至关重要。数据一致性表征存在三方面不足。首先,优化过程中的数据会导致重建图像出现伪影。其次,它常忽视生成模型与原始数据约束是独立完成的,破坏了统一性。第三,它主要聚焦于约束逆采样过程中的中间结果,而非理想的真实图像。为此,我们提出一种迭代优化数据评分模型。本文引入数据迭代优化评分模型(DOSM),将创新的数据一致性整合到随机微分方程中,这是对超稀疏视角CT重建的一种有价值约束。该数据一致性要素的新颖之处在于仅依靠原始测量数据来约束生成结果,有效平衡了测量数据与生成模型约束。此外,我们开创了一种从当前迭代结果回溯至理想真值的推理策略,增强了重建稳定性。我们利用常规迭代技术优化DOSM更新。来自数值及临床心脏数据集的23视角定量与定性结果表明,DOSM优于其他方法。值得注意的是,即便仅用10视角,我们的方法也取得了优异性能。
引用
@article{arxiv.2308.14437,
title = {Data-iterative Optimization Score Model for Stable Ultra-Sparse-View CT Reconstruction},
author = {Weiwen Wu and Yanyang Wang},
journal= {arXiv preprint arXiv:2308.14437},
year = {2023}
}
备注
11 pages, 12 figures