Likelihood-Separable Diffusion Inference for Multi-Image MRI Super-Resolution

扩散模型目前是解决成像中反问题的最先进方法。其强大的生成能力使其能够近似从先验分布中采样，再结合已知的似然函数，即可实现无需重新训练模型的后验采样。尽管近期的方法在提升后验采样精度方面取得了进展，但大多数研究仍集中于单幅图像的反问题。然而，在磁共振成像（MRI）等模态中，通常会采集多个互补的测量数据，每个数据在不同轴向上均为低分辨率。本文中，我们将常见的基于扩散模型的单图像反问题求解方法推广至多图像超分辨率（MISR）MRI任务。我们证明，DPS的似然校正允许对独立采集的测量数据进行完全可分离的梯度分解，从而无需构建联合算子、修改扩散模型或增加网络函数评估次数即可实现MISR。我们推导出了DPS、DMAP、DPPS以及基于扩散的PnP/ADMM方法在MISR场景下的相应版本，并在4×/8×/16×各向异性退化条件下显著超越了单图像超分辨率（SISR）方法的表现。实验结果达到了当前最先进的各向异性MRI体积数据超分辨率水平，更重要的是，使从常规的二维多层扫描数据中重建出接近各向同性的解剖结构成为可能——而这些数据在正交视图下原本存在严重退化。

论文试图解决多图像超分辨率（MISR）在磁共振成像（MRI）中的应用问题，特别是如何利用多个低分辨率、互补方向的2D切片来重建高质量、近各向同性的3D解剖结构。传统方法主要针对单图像超分辨率（SISR），难以有效处理多视图、各向异性的MRI退化问题。这是一个重要且实际的问题，尤其在临床常规2D多层MRI扫描中普遍存在跨平面分辨率低下的情况，但此前少有工作将扩散模型有效扩展至多图像联合重建场景。

论文的关键思路是发现并利用DPS（Diffusion Posterior Sampling）中的似然校正项具有可分离梯度特性，使得可以在不构建联合退化算子、不修改扩散模型结构、也不增加网络评估次数的前提下，将多个独立获取的测量图像的梯度贡献分别计算后叠加。这一性质使标准扩散先验模型能够自然推广到多图像超分辨率任务，并导出了适用于MISR的DPS、DMAP、DPPS以及基于扩散的PnP/ADMM等多种算法变体。相比现有研究，该方法无需额外训练或复杂建模，实现了简洁而强大的多模态融合推理。

论文在4×/8×/16×各向异性降质条件下进行了广泛实验，结果表明所提MISR方法显著优于传统的SISR方法；成功实现了从常规2D多切片MRI中恢复出接近各向同性的高分辨率3D体积图像，具有重要的临床应用价值；推导完整，理论清晰，涵盖多种主流扩散反演框架的MISR版本；虽然文中未明确提及代码是否开源，但方法设计通用性强，易于复现和集成。未来可进一步探索动态适应不同噪声水平、非线性退化模型，以及与其他物理约束结合的优化框架。

1. Score-Based Generative Modeling through Stochastic Differential Equations 2. Diffusion Posterior Sampling for General Noisy Inverse Problems 3. Maximum-a-Posteriori Estimation of Diffusion Models for Inverse Imaging 4. Plug-and-Play Methods for Magnetic Resonance Imaging: Using Denoisers for Image Recovery 5. Anisotropic Super-Resolution in MRI via Deep Learning with Multi-Contrast Priors