基于似然可分离性的多图像MRI超分辨率扩散推理
计算机视觉与模式识别
2026-01-21 v1
摘要
扩散模型是解决成像逆问题的当前最先进方法。它们的卓越生成能力允许它们近似采样自先验分布，而结合已知的似然函数，可无需重新训练模型即可进行后验采样。虽然近期方法在提高后验采样精度方面取得了进展，但大多数方法聚焦于单图像逆问题。然而，对于磁共振成像(MRI)等模态，通常会获取多个沿不同轴的低分辨率测量。本文我们将常用的扩散基方法的单图像逆问题求解器推广至多图像超分辨率(MISR) MRI。我们表明，DPS似然校正允许在独立获取的测量之间实现恰好可分离的梯度分解，从而无需构建联合算子、修改扩散模型或增加网络函数评估次数即可实现MISR。我们推导出MISR版本的DPS、DMAP、DPPS以及基于扩散的PnP/ADMM方法，并在各向异性退化条件下显著优于单图像超分辨率。我们的结果实现了各向异性MRI体积的最先进超分辨率，关键性地实现了从常规2D多切片采集中重建近各向同性解剖结构，而这些在正交视图中原本高度退化。
引用
@article{arxiv.2601.14030,
title = {Likelihood-Separable Diffusion Inference for Multi-Image MRI Super-Resolution},
author = {Samuel W. Remedios and Zhangxing Bian and Shuwen Wei and Aaron Carass and Jerry L. Prince and Blake E. Dewey},
journal= {arXiv preprint arXiv:2601.14030},
year = {2026}
}