DiffusionBlend: Learning 3D Image Prior through Position-aware Diffusion Score Blending for 3D Computed Tomography Reconstruction

在实际应用中，例如三维计算机断层扫描（CT），扩散模型面临着重大挑战。由于需要大量的内存、时间和数据，直接在整个高维数据体积上训练扩散模型以获得高效的三维扩散先验是困难的。现有的工作利用手工制作的跨切片正则化扩散先验在单个二维图像切片上，但这会牺牲z轴一致性，导致沿z轴出现严重伪影。在本文中，我们提出了一种新颖的框架，通过位置感知的三维块扩散分数混合，实现学习三维图像先验，用于重建大规模的三维医学图像。据我们所知，我们是第一个利用三维块扩散先验进行三维医学图像重建的研究者。对于稀疏视图和有限角度CT重建的大量实验表明，我们的DiffusionBlend方法明显优于以前的方法，并在具有高维三维图像（即$256 \times 256 \times 500$）的实际CT重建问题上实现了最先进的性能。我们的算法还具有比以前的最先进方法更好或相当的计算效率。

解决问题：论文旨在解决大规模医学图像重建中使用扩散模型面临的挑战，如何在高维数据上训练3D扩散先验以实现高效的3D医学图像重建。

关键思路：通过位置感知的3D块扩散得分融合，实现学习3D图像先验的新框架，以重建大规模3D医学图像。

论文提出了DiffusionBlend方法，通过实验验证在稀疏视角和有限角度CT重建中取得了优于之前方法的性能，同时具有更好的计算效率。论文是第一个使用3D块扩散先验进行3D医学图像重建的工作。

相关研究：最近的相关研究包括使用深度学习进行医学图像重建的方法，如Deep Learning CT Reconstruction和Low-Dose CT Image Denoising Using a Generative Adversarial Network with Wasserstein Distance Loss等。