循环扩散模型用于反事实图像生成

于红博

摘要: 深度生成模型在医学图像合成方面取得了显著成功。然而，确保条件忠实度和高质量的合成图像用于直接或对照生成仍然是一个挑战。在这项工作中，我们引入了一个循环训练框架来微调扩散模型，以改善条件依从性并增强合成图像的逼真性。我们的方法，Cycle Diffusion Model (CDM)，通过整合循环约束来强化生成和原始图像之间的一致性，实现更可靠的直接和对照生成。在一个综合的3D脑MRI数据集上进行的实验（来自ABCD、HCP老年和年轻成人、ADNI和PPMI）显示，我们的方法提高了条件准确性并通过FID和SSIM衡量提升了图像质量。结果表明，在CDM中使用的循环策略可以成为改进基于扩散的医学图像生成的有效方法，应用于数据增强、对照和疾病进展建模。

更新时间: 2025-10-30 03:29:32

领域: cs.CV,cs.AI

下载: http://arxiv.org/abs/2509.24267v2