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

Denoising diffusion probabilistic models (DDPMs)在计算机视觉领域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，DDPMs的应用仍不充分。这主要是由于（1）扩散过程中使用大量时间步长（例如，1000个）和（2）医学图像的维度增加，通常是3D或4D，导致计算成本高。通常需要花费几天到几周的时间来训练医学图像的扩散模型，而每个图像体积的采样需要几分钟到几小时的时间。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，能够同时提高训练速度、采样速度和生成质量。与DDPM相比，Fast-DDPM仅使用10个时间步长来训练和采样，而不是1,000个。我们方法的关键在于对齐训练和采样过程。我们引入了两个具有10个时间步长的有效噪声调度程序：一个具有均匀时间步长采样，另一个具有非均匀采样。我们在三个医学图像生成任务中评估了Fast-DDPM：多图像超分辨率、图像去噪和图像到图像的转换。在所有任务中，Fast-DDPM表现优于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5倍，采样时间缩短了100倍，与DDPM相比。我们的代码公开在以下网址：https://github.com/mirthAI/Fast-DDPM。

本文试图解决DDPM在医学图像处理中的高计算成本问题，提出了Fast-DDPM方法来同时提高训练速度、采样速度和生成质量。

Fast-DDPM通过将训练和采样过程对齐，仅使用10个时间步长进行训练和采样，从而降低了计算成本。同时，引入了两种高效的噪声调度器：一种是均匀时间步长采样，另一种是非均匀采样。

Fast-DDPM在医学图像到图像生成任务中，包括多图像超分辨率、图像去噪和图像到图像翻译，表现优于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5倍，采样时间缩短了100倍，且代码公开可用。

与本文相关的研究包括DDPM在计算机视觉领域的应用，以及其他在医学图像处理中的生成模型，如VAE和GAN。