Fast-DDPM: Fast Denoising Diffusion Probabilistic Models for Medical Image-to-Image Generation

Denoising diffusion probabilistic models (DDPMs)在计算机视觉方面取得了前所未有的成功。然而，在疾病诊断和治疗规划等关键领域中，它们仍然被低估和少用。这主要是由于在扩散过程中使用大量时间步长（例如1,000）和医学图像的维度增加（通常为3D或4D）所带来的高计算成本。通常需要花费数天到数周的时间来训练医学图像上的扩散模型，而对每个图像体积进行采样需要数分钟到数小时的时间。为了解决这一挑战，我们引入了Fast-DDPM，这是一种简单而有效的方法，可以同时提高训练速度、采样速度和生成质量。与DDPM不同，Fast-DDPM只使用10个时间步长来训练和采样，而DDPM则需要使用1,000个时间步长来训练图像去噪器。我们方法的关键在于通过优化时间步长的利用来对齐训练和采样过程。具体而言，我们引入了两个有效的噪声调度程序，分别采用均匀时间步长采样和非均匀采样。我们在三个医学图像到图像生成任务上评估了Fast-DDPM：多图像超分辨率、图像去噪和图像到图像翻译。Fast-DDPM在所有任务中均优于DDPM和基于卷积网络和生成对抗网络的当前最先进方法。此外，Fast-DDPM将训练时间缩短了0.2倍，采样时间缩短了0.01倍。我们的代码可在以下网址公开获取：https://github.com/mirthAI/Fast-DDPM。

Fast-DDPM试图解决DDPM在医学图像处理中计算成本高的问题，提高训练速度、采样速度和生成质量。

Fast-DDPM通过对训练和采样过程进行优化，只使用10个时间步骤进行训练和采样，从而提高计算效率和生成质量。

Fast-DDPM在医学图像处理中的三项任务中表现出色，比DDPM和当前基于卷积网络和生成对抗网络的最先进方法表现更好。同时，Fast-DDPM将训练时间降低到DDPM的0.2倍，采样时间降低到DDPM的0.01倍。

最近在这个领域中，还有一些相关研究，例如《Denoising Diffusion Probabilistic Models》。