重建还是生成：探索心脏 MRI 生成建模的谱系
图像与视频处理
2025-07-28 v1 计算机视觉与模式识别
摘要
在医学成像中，生成模型越来越依赖于两个截然不同但同样关键的任务：重建（目标是恢复医学成像，通常是修复或超分辨率等逆问题）和生成（创建合成数据以扩充数据集或进行反事实分析）。尽管共享架构和学习框架，它们优先考虑的目标不同：生成寻求高感知质量和多样性，而重建侧重于数据保真度和忠实度。在这项工作中，我们引入了一个“生成模型动物园”，并系统地分析了现代潜在扩散模型和自回归模型如何导航重建-生成谱系。我们在具有代表性的心脏医学成像任务上对一套生成模型进行了基准测试，重点关注具有不同掩码比和采样策略的图像修复以及无条件图像生成。我们的发现表明，扩散模型在无条件生成方面提供了卓越的感知质量，但随着掩码比的增加往往会产生幻觉，而自回归模型在所有掩码级别上保持稳定的感知性能，尽管保真度通常较低。
引用
@article{arxiv.2507.19186,
title = {Reconstruct or Generate: Exploring the Spectrum of Generative Modeling for Cardiac MRI},
author = {Niklas Bubeck and Yundi Zhang and Suprosanna Shit and Daniel Rueckert and Jiazhen Pan},
journal= {arXiv preprint arXiv:2507.19186},
year = {2025}
}