插值式扩散遇上 ADMM：双变量耦合用于鲁棒医学图像重建
计算机视觉与模式识别
2026-02-27 v1 机器学习
图像与视频处理
摘要
插值式扩散先验（PnPDP）框架已成为解决成像逆问题的强大范式，方法是将预训练的生成模型视为模块化先验。然而，我们发现当前主流 PnP 求解器（例如基于 HQS 或原型梯度）存在关键缺陷：它们作为无记忆算子，仅基于瞬时梯度更新估计。这一缺乏历史跟踪导致 steady-state 偏差不可消除，图像重建在严重噪声污染下无法严格满足物理测量。为解决此问题，我们提出 Dual-Coupled PnP Diffusion，通过恢复经典双变量以提供积分反馈，理论上保证收敛至精确数据流形。然而，这一严谨的几何耦合引入次要挑战：累积的双变量残差呈现谱域彩色、结构化痕迹，违反扩散先验的加性白高斯噪声（AWGN）假设，导致严重幻觉。为弥合这一鸿沟，我们引入谱均化（SH），一种频域适应机制，将这些结构化残差调制为符合统计的伪 AWGN 输入。这有效地将求解器的严谨优化轨迹与 denoiser 的有效统计流形对齐。在 CT 和 MRI 重建实验中，我们的方法解决了偏差-幻觉权衡，实现了最新水平的保真度并显著加速收敛。
引用
@article{arxiv.2602.23214,
title = {Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction},
author = {Chenhe Du and Xuanyu Tian and Qing Wu and Muyu Liu and Jingyi Yu and Hongjiang Wei and Yuyao Zhang},
journal= {arXiv preprint arXiv:2602.23214},
year = {2026}
}