[論文レビュー] ReCo-Diff: Residual-Conditioned Deterministic Sampling for Cold Diffusion in Sparse-View CT

Yong Eun Choi, Hyoung Suk Park+3 more|arXiv (Cornell University)|Mar 3, 2026

Medical Imaging Techniques and Applications被引用数 0

ひとこと要約

提案された残差条件付き拡散フレームワークは、観測残差を用いて決定論的サンプリングを導くことで、疎視CTにおける安定性と再構成品質をヒューリスティックなリセットなしで改善します。

ABSTRACT

Cold and generalized diffusion models have recently shown strong potential for sparse-view CT reconstruction by explicitly modeling deterministic degradation processes. However, existing sampling strategies often rely on ad hoc sampling controls or fixed schedules, which remain sensitive to error accumulation and sampling instability. We propose ReCo-Diff, a residual-conditioned diffusion framework that leverages observation residuals through residual-conditioned self-guided sampling. At each sampling step, ReCo-Diff first produces a null (unconditioned) baseline reconstruction and then conditions subsequent predictions on the observation residual between the predicted image and the measured sparse-view input. This residual-driven guidance provides continuous, measurement-aware correction while preserving a deterministic sampling schedule, without requiring heuristic interventions. Experimental results demonstrate that ReCo-Diff consistently outperforms existing cold diffusion sampling baselines, achieving higher reconstruction accuracy, improved stability, and enhanced robustness under severe sparsity.

研究の動機と目的

• 極端な角度下サンプリング下での頑健な疎視CT再構成を動機づける。
• CTにおける残差条件付き自己ガイド付きサンプリング機構を導入する。
• 観測残差を条件づけて推定を決定論的かつ測定感知的な補正を可能とするヒューリスティックリセットを排除する。
• 標準データセット上で既存のコールドディフusionベースラインより再構成精度と安定性を向上させることを示す。

提案手法

• 崩壊演算子による角度サブサンプリングをモデル化した一般化されたコールド拡散フレームワークを用いる。
• 誤差伝搬型複合訓練（EPCT）と残差条件付けを、入力へ残差ガイダンスを連結して実装する復元ネットワークを訓練する。
• 無条件ベースライン予測を計算して観測残差を形成し、以後の予測をこれらの残差で条件付けする（残差時間条件付け）。
• スパースビュー入力に対する直接復元損失と、EMA教師を介して誤差伝搬状態を露出させる複合損失の2段階訓練。
• 推論時には、固定された決定論的スケジュール下で残差ガイド補正を繰り返して残差条件付き自己ガイド付きサンプリングを実行する。
• 極端に疎なレジームで初期化を安定化させるための一度きりのレベル遷移をオプションで含める。

実験結果

リサーチクエスチョン

• RQ1 残差条件付きの決定論的ガイダンスは、疎視CTのコールドディフusionの安定性を改善できるか。
• RQ2 観測残差で条件付けることは、ヒューリスティックリセット戦略と比較して誤差蓄積を低減できるか。
• RQ3 ReCo-Diffは標準CTデータセット上で、18/36/72ビューなどのさまざまな疎性レベルでどのように性能を発揮するか。
• RQ4 既存の拡散ベースの疎視CT手法と比較して、定性的および定量的な利得は何か。

主な発見

Method (NFE)	18-view RMSE	18-view PSNR	18-view SSIM	36-view RMSE	36-view PSNR	36-view SSIM	72-view RMSE	72-view PSNR	72-view SSIM	Time(s)
FreeSeed (1)	50.69	35.49	95.21	23.17	42.28	96.87	18.95	44.03	98.01	0.09
VSS (1000)	52.73	35.17	90.98	32.87	39.34	95.15	24.19	41.95	97.12	264.71
CoSIGN (10)	76.95	31.84	86.31	53.73	34.96	89.67	38.37	37.87	93.20	1.82
CvG-Diff (10)	36.65	38.33	95.18	24.67	41.77	97.05	15.77	45.63	98.54	0.69
ReCo-Diff (16) dagger	37.14	38.21	95.20	23.35	42.22	97.33	14.10	46.60	98.81	0.76
ReCo-Diff (18)	35.75	38.54	95.42	22.45	42.57	97.45	13.50	46.98	98.89	0.86

• ReCo-Diffは18-, 36-, 72ビュー設定のいずれにおいてもRMSE、PSNR、SSIMでベースラインを一貫して上回る。
• 残差条件付きサンプリングはより安定した誤差軌道とヒューリスティックリセットへの依存低減をもたらす。
• 一度きりのレベル遷移は極端に疎なレジームで初期化の安定性を改善する。
• CvG-Diffや他のベースラインと比較して、ReCo-Diffは厳しい疎性と低サンプリングの不安定性に対してより頑健である。
• 単一モデルで疎性レベルを横断して競争力のある再構成時間を達成する。