用于医学图像重建中分布外自适应的可引导条件扩散
计算机视觉与模式识别
2025-01-29 v3 机器学习
摘要
去噪扩散模型已成为解决成像中逆问题的主流生成框架。这些模型在分布外任务上的性能是一个关键问题，但仍是一个未被充分探索的挑战。在分布外数据集上使用扩散模型可以生成逼真的重建结果，但会幻觉出训练数据集中独有的图像特征。为解决训练-测试时的这种偏差并提升重建精度，我们提出了一种称为可引导条件扩散（Steerable Conditional Diffusion）的新型采样框架。具体而言，该框架仅基于可用测量提供的信息，在图像重建的同时对扩散模型进行自适应。利用我们所提出的方法，我们在多种成像模态上实现了分布外性能的显著提升，推动了去噪扩散模型在真实世界应用中的稳健部署。
引用
@article{arxiv.2308.14409,
title = {Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction},
author = {Riccardo Barbano and Alexander Denker and Hyungjin Chung and Tae Hoon Roh and Simon Arridge and Peter Maass and Bangti Jin and Jong Chul Ye},
journal= {arXiv preprint arXiv:2308.14409},
year = {2025}
}