SMRD：基于 SURE 的扩散模型鲁棒 MRI 重建
图像与视频处理
2023-10-20 v2 计算机视觉与模式识别
摘要
扩散模型近期因高采样质量而在加速 MRI 重建中广受欢迎。它们可有效充当丰富的数据先验，同时在推理时灵活融入前向模型，且已被证明在分布偏移下比展开式方法更鲁棒。然而，扩散模型需要在验证集上仔细调优推理超参数，且在测试时仍对分布偏移敏感。为应对这些挑战，我们引入基于 SURE 的扩散模型 MRI 重建（SMRD），一种在测试时执行超参数调优以增强测试期鲁棒性的方法。SMRD 使用 Stein 无偏风险估计器（SURE）在测试期间估计重建的均方误差。随后 SURE 被用于自动调优推理超参数并设定早停准则，无需验证调优。据我们所知，SMRD 首个将 SURE 纳入扩散模型采样阶段以自动选择超参数。SMRD 在各种测量噪声水平、加速因子及解剖结构上优于扩散模型基线，在测量噪声下实现高达 6 dB 的 PSNR 提升。代码公开于 https://github.com/NVlabs/SMRD 。
引用
@article{arxiv.2310.01799,
title = {SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models},
author = {Batu Ozturkler and Chao Liu and Benjamin Eckart and Morteza Mardani and Jiaming Song and Jan Kautz},
journal= {arXiv preprint arXiv:2310.01799},
year = {2023}
}
备注
MICCAI 2023