[論文レビュー] Likelihood-Separable Diffusion Inference for Multi-Image MRI Super-Resolution

Samuel W. Remedios, Zhangxing Bian+4 more|arXiv (Cornell University)|Jan 20, 2026

Advanced Neuroimaging Techniques and Applications被引用数 0

ひとこと要約

論文は拡散ベースの逆問題ソルバーを多画像MRI超解像（MISR）へ一般化し、独立した測定間での尤度の分離性を証明することで、ジョイント演算子や再学習無しにMISRを可能にし、ノイズウェイトを用いたMISRの派生手法を導入して最先端の結果を達成する。

ABSTRACT

Diffusion models are the current state-of-the-art for solving inverse problems in imaging. Their impressive generative capability allows them to approximate sampling from a prior distribution, which alongside a known likelihood function permits posterior sampling without retraining the model. While recent methods have made strides in advancing the accuracy of posterior sampling, the majority focuses on single-image inverse problems. However, for modalities such as magnetic resonance imaging (MRI), it is common to acquire multiple complementary measurements, each low-resolution along a different axis. In this work, we generalize common diffusion-based inverse single-image problem solvers for multi-image super-resolution (MISR) MRI. We show that the DPS likelihood correction allows an exactly-separable gradient decomposition across independently acquired measurements, enabling MISR without constructing a joint operator, modifying the diffusion model, or increasing network function evaluations. We derive MISR versions of DPS, DMAP, DPPS, and diffusion-based PnP/ADMM, and demonstrate substantial gains over SISR across $4 imes/8 imes/16 imes$ anisotropic degradations. Our results achieve state-of-the-art super-resolution of anisotropic MRI volumes and, critically, enable reconstruction of near-isotropic anatomy from routine 2D multi-slice acquisitions, which are otherwise highly degraded in orthogonal views.

研究の動機と目的

• MRIにおけるMISRを動機づける。複数の各異方性LR体積が単一のHR体積を情報として提供できる。
• 共同フォワード演算子を変更せず、拡散モデルを再訓練することなくMISR補正を可能にする分離可能な尤度フレームワークを形式化する。
• DPS、DMAP、DPPS、および拡散ベースのPnP/ADMMのMISR拡張を導出する。
• 異なるノイズレベルと解像度を持つ測定を融合するための測定ごとのノイズウェイトを導入する。
• 日常的な2D撮像からのほぼ等方的解剖の再構成を実現し、4x/8x/16xの平面外劣化に対して改善されたMISR性能を示す。

提案手法

• 複数のLR測定の結合ネガティブログ尤度が観測ごとに分離可能であることを示し、測定ごとの補正を可能にする。
• 独立したA_i演算子とy_i測定を用いて動作するDPS、DMAP、DPPS、および拡散ベースのPnP/ADMMのMISR版を導出する。
• 測定ごとに異なるノイズレベルを持つ測定を融合するための逆分散ウェイトw_iを導入する。
• DDIMベースのサンプラーとフロー推定ネットワークを用いてx_tからx_0を推定する3D体積拡散モデルを使用する。
• 拡散モデル自体は変更せず、各測定ごとにデータ整合勾配を更新してからそれらを合計してx_tを更新する。
• RTX 6000 ADA上で64 NFEsにつき60秒以下の計算効率を維持することを示す。

Figure 2 : Qualitative results for a representative subject from the AIBL dataset. Row-wise labels designate LR inputs as “Measurements” and SR estimations named by method. Supercolumns group scale factors together. Within supercolumns, each column corresponds to SISR using only the axial acquisitio

実験結果

リサーチクエスチョン

• RQ1 拡散ベースの逆問題ソルバー内で共同フォワード演算子を構築したり拡散モデルを再訓練したりせずにMISRを実現できるか。
• RQ2 尤度分離性はMISRにおける測定ごとのデータ整合補正を可能にするか。
• RQ3 測定ごとのノイズウェ weightingが異方性スケール因子に対するMISR性能へ与える影響はどの程度か。
• RQ4 PSNR・SSIM・FIDのトレードオフの観点から、DPS/DMAP/DPPS/PnP派生のうちどのMISR拡散法が最適か。
• RQ5 日常的な2D多スライス取得からほぼ等方的解剖を効果的に達成できるか。

主な発見

• 尤度分離性を伴うMISR拡散は独立した測定ごとの演算子から補正を導出でき、ジョイント演算子やモデル再訓練を回避する。
• MISR変種（DPS、DMAP、DPPS、拡散ベースのPnP/ADMM）は拡散事前分布を多画像MISRへ拡張する。
• 逆分散ノイズウェイトはMISRの性能を改善し、測定ノイズが増加するほど効果が大きい。
• 4x/8x/16xの平面外劣化において、MISR法はSISRを大きく上回りPSNRで1–3 dBの向上を報告。
• DMAPは歪み指標（PSNR/SSIM）とFIDのいずれにおいても他の手法を一貫して上回る。
• MISRは日常的な2D多スライス取得からほぼ等方性の解剖再構成を実現し、長時間の3Dスキャンの必要性を低減する可能性がある。

Figure 3 : Sagittal slices from four representative subjects are shown for $8\times$ scale factor LR inputs. Each displayed image is labeled for its contents. LR: low-resolution; AX: axial acquisition; COR: coronal acquisition; HR: ground-truth high-resolution; SISR: single-image super-resolution, u