关于稀疏视图计算机断层扫描中即插即用扩散方法的后向间隙问题

《IEEE Journal of Selected Topics in Signal Processing》：On the Posterior Gap in Plug & Play Diffusion Methods for Sparse-View Computed Tomography

在超稀疏投影（如6个以下）的SVCT中，传统误差指标（PSNR/SSIM）不足以评估重建性能。为此，提出后验间隙（PG）评估方法，衡量真实后验分布与模型近似分布的差距。通过仅使用先验样本、观测模型和后验样本构建PG估计框架。在DPS、G、FPS三个模型中，DPS经校准后表现最优。该评估方法在动态气体成像等极端欠定场景中有效提升重建可靠性

　　

摘要：

条件扩散模型的最新进展在逆问题（如稀疏视图计算机断层扫描（SVCT））上展现了出色的性能，这些问题的评估通常使用PSNR或SSIM等误差度量标准。然而，在超稀疏情况下，由于投影数量极其有限，正弦图的信息量非常少，导致后验样本的变异性很大。这在涉及动态现象的应用中尤为明显，例如拍摄喷嘴排放的废气时，同时只能捕捉到少量的投影。在这种情况下，仅基于误差度量（如PSNR/SSIM）进行评估已经不再足够。为了解决这一限制并补充PSNR/SSIM的评估方法，我们提出使用“后验差距（Posterior Gap，PG）”作为评估指标，它衡量真实后验分布与给定生成模型所导致的近似分布之间的差异。我们提出了一个实用的PG估计框架，该框架仅使用先验样本、观测模型和后验样本即可完成估计。我们研究了三种先进的即插即用型扩散模型：DPS、G和FPS。由于DPS包含一个敏感的超参数，我们提出了一种简单的校准策略来降低PG值。我们的研究在三个SVCT数据集上对DPS、G和FPS进行了基准测试。结果表明，在经过仔细校准后，DPS的性能优于FPS和G。通过补充传统的评估指标，我们的评估方法能够更全面地理解重建性能，特别是在像动态气体成像这样条件极差的场景中（即投影数量少于六个时）。