PPFM：在光子计数 CT 中使用单步后验采样 Poisson 流生成模型进行图像去噪
图像与视频处理
2023-12-20 v2 计算机视觉与模式识别
医学物理
摘要
Diffusion 和 Poisson 流模型在广泛的生成任务中展现出了优异的性能，包括低剂量 CT 图像去噪。然而，一个普遍的局限性，尤其是在临床应用中，是采样速度慢。由于其迭代性质，无论是条件生成还是无条件生成，所需的函数评估次数（NFE）通常在 量级。在本文中，我们提出了后验采样 Poisson 流生成模型（PPFM），一种用于低剂量和光子计数 CT 的新型图像去噪技术，在保持 NFE=1 的同时产生出色的图像质量。通过更新 Poisson 流生成模型（PFGM）++ 的训练和采样过程，我们学习了一个条件生成器，该生成器在先验噪声分布与感兴趣的后验分布之间定义了一条轨迹。此外，我们劫持并正则化了采样过程以实现 NFE=1。我们的结果阐明了 PFGM++ 框架相较于 diffusion 模型的优势。此外，在临床低剂量 CT 图像和原型光子计数 CT 系统的临床图像上，与当前 NFE=1 的 state-of-the-art diffusion 式模型、一致性模型以及流行的基于深度学习与非深度学习的图像去噪技术相比，PPFM 表现出了优越的性能。
引用
@article{arxiv.2312.09754,
title = {PPFM: Image denoising in photon-counting CT using single-step posterior sampling Poisson flow generative models},
author = {Dennis Hein and Staffan Holmin and Timothy Szczykutowicz and Jonathan S Maltz and Mats Danielsson and Ge Wang and Mats Persson},
journal= {arXiv preprint arXiv:2312.09754},
year = {2023}
}