fire_f的博客

本文介绍了一种新型的条件对称正定（SPD）去噪扩散概率模型（C-SPD-DDPM），旨在解决在给定条件向量的情况下生成SPD矩阵的问题。该模型基于传统的去噪扩散概率模型（DDPM），并对其进行了扩展，使其能够处理SPD矩阵的对称性和正定性。文章提出了一种新的SPD U-Net网络结构，该结构通过双卷积块增强了模型的深度和拟合能力，同时整合了时间条件和条件向量，提高了模型对不同时刻数据分布的适应性。C-SPD-DDPM模型的核心贡献包括：此外，文章还探讨了如何利用里曼中心的最大似然估计来优化生成过程，以及如何

这篇文章的核心贡献是提出了一种改进的去噪扩散概率模型（DDPM），名为pre-segmentation diffusion sampling DDPM (PD-DDPM)，专门用于加速医学图像分割任务。PD-DDPM的关键创新点在于引入了一个预分割步骤，该步骤利用一个独立训练的分割网络来生成初步的分割结果。然后，这些预分割结果被用来构建非高斯分布的噪声预测，并根据正向扩散规则进行扩散，生成近似的噪声样本xT′^\hat{x_T^′}xT′​^​​。在逆向过程中，从xT′^\hat{x_T^′}xT′​^​​

阅读时间：2024/08/26名字：Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation。