ReCo-Diff：稀疏视图CT中的残差条件确定性采样冷扩散
计算机视觉与模式识别
2026-03-04 v1
摘要
冷扩散模型和广义扩散模型最近在稀疏视图CT重建中显示出强大的潜力，因其显式建模确定性退化过程。然而，现有采样策略常依赖粗略的采样控制或固定计划，导致误差累积和采样不稳定。我们提出ReCo-Diff框架，通过残差条件自导式采样利用观测残差。每一步采样中，ReCo-Diff首先生成一个空置（无条件）基线重建，然后在预测图像与测量稀疏视图输入之间的观测残差上进行后续预测。这种残差驱动的引导提供持续的、测量感知的纠正，同时保持确定性采样计划，不需启发式干预。实验结果表明，ReCo-Diff在稀疏性严重时 consistently 优于现有冷扩散采样基线，实现更高的重建精度、更好的稳定性和更强的鲁棒性。
引用
@article{arxiv.2603.02691,
title = {ReCo-Diff: Residual-Conditioned Deterministic Sampling for Cold Diffusion in Sparse-View CT},
author = {Yong Eun Choi and Hyoung Suk Park and Kiwan Jeon and Hyun-Cheol Park and Sung Ho Kang},
journal= {arXiv preprint arXiv:2603.02691},
year = {2026}
}
备注
10 pages, 4 figures. Submitted to MICCAI 2026