MAN：潜变量扩散增强的多阶段抗噪网络用于高效高质量低剂量 CT 图像去噪
计算机视觉与模式识别
2025-09-30 v1
摘要
尽管扩散模型为低剂量计算机断层扫描（LDCT）去噪设定了新的质量基准，但其临床采用受到极端计算成本的严重阻碍，推理时间通常每扫描超过数千秒。为克服这一障碍，我们引入 MAN——一种潜变量扩散增强的多阶段抗噪网络，用于高效高质量的低剂量 CT 图像去噪。我们的方法通过感知优化的自编码器在压缩潜变量空间中运行，使基于注意力的条件 U-Net 能够执行快速、确定性的条件去噪扩散过程，大幅降低开销。在 LDCT 和 Projection 数据集上，我们的模型实现了优越的感知质量，超越了 CNN/GAN 方法，同时在与计算密集的扩散模型（如 DDPM 和 Dn-Dp）的重建保真度方面具有竞争力。最关键的是，在推理阶段，我们的模型比代表性像素空间扩散去噪器快 60 倍以上，同时在 PSNR/SSIM 分数上保持竞争力。通过弥合高保真度与临床可行性之间的差距，我们的工作展示了先进生成模型在医学成像中的实际应用路径。
引用
@article{arxiv.2509.23603,
title = {MAN: Latent Diffusion Enhanced Multistage Anti-Noise Network for Efficient and High-Quality Low-Dose CT Image Denoising},
author = {Tangtangfang Fang and Jingxi Hu and Xiangjian He and Jiaqi Yang},
journal= {arXiv preprint arXiv:2509.23603},
year = {2025}
}
备注
Submitted to ICASSP 2026