UNROLLED DIFFUSION-GUIDED DEEP IMAGE PRIOR FOR MEDICAL IMAGERECONSTRUCTION

这篇文章提出了一种结合深度图像先验（Deep Image Prior，简称DIP）和扩散模型（Diffusion Models，简称DMs）的新方法，用于医学图像重建，特别是在磁共振成像（Magnetic Resonance Imaging，简称MRI）和计算机断层扫描（Computed Tomography，简称CT）的应用中。该方法被称为展开的扩散引导的深度图像先验（unrolled Diffusion-Guided DIP，简称uDiG-DIP）。其核心思想是利用DIP网络的输入对重建质量的影响，以及将DMs作为扩散净化器（Diffusion Purifiers，简称DPs）来优化输入。

研究方法：

文章中提出的方法包括以下几个关键步骤：

• 初始化：使用前向操作符A的逆操作对测量值y进行初始化，得到输入z。

• 迭代优化：通过K次迭代，在每次迭代中进行N步梯度更新，优化DIP网络的参数θ。

• 数据一致性与自编码项：优化目标包括数据一致性项和自编码项，旨在减少噪声过拟合。

• 扩