DiffNMR：推进随机采样核磁共振信号的图像修复
图像与视频处理
2025-10-14 v1 机器学习
摘要
核磁共振（NMR）光谱学利用核磁化来探测分子的化学环境、结构和动力学，其应用涵盖从制药到石油工业的广泛领域。尽管 NMR 很有用，但其仪器和运行成本高昂且实验耗时较长，这促使了优化采集时间的计算技术的发展。非均匀采样（NUS）作为一种子采样方法被广泛采用以应对这些挑战，但它通常会引入伪影并降低光谱质量，从而抵消了采集时间减少带来的优势。在这项工作中，我们提出使用深度学习技术来提高 NUS 光谱的重建质量。具体而言，我们探索了扩散模型的应用，这是该领域一种相对未被开发的方法。我们的方法涉及将扩散模型应用于时间-时间和时间-频率 NUS 数据，对来自基准 Artina 数据集的具有挑战性的光谱产生了令人满意的重建结果。该方法展示了扩散模型在提高 NMR 光谱学效率和准确性方面的潜力，以及使用时间-频率域数据相对于时间-时间域数据的优越性，为未来的研究开辟了新的前景。
引用
@article{arxiv.2505.20367,
title = {DiffNMR: Advancing Inpainting of Randomly Sampled Nuclear Magnetic Resonance Signals},
author = {Sen Yan and Fabrizio Gabellieri and Etienne Goffinet and Filippo Castiglione and Thomas Launey},
journal= {arXiv preprint arXiv:2505.20367},
year = {2025}
}