[논문 리뷰] Likelihood-Separable Diffusion Inference for Multi-Image MRI Super-Resolution

Samuel W. Remedios, Zhangxing Bian외 4명|arXiv (Cornell University)|2026. 01. 20.

Advanced Neuroimaging Techniques and Applications인용 수 0

한 줄 요약

본 논문은 독립적인 측정 간의 가능도 분리성을 증명함으로써 diffusion 기반 역문제 해법을 다중 이미지 MRI 초해상도(MISR)로 일반화하고, joint 연산자나 재학습 없이 MISR을 가능하게 하며, 노이즈 가중 MISR 변형을 도입하여 상태-최첨단 성능을 보여준다.

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.

연구 동기 및 목표

• 다중 이방성 LR 볼륨이 단일 HR 볼륨을 정보로 제공할 수 있는 MRI에서 MISR의 동기를 제시한다.
• 합동 전방 연산자나 확산 모델의 변경 없이 MISR 보정을 허용하는 분리 가능한 가능도 프레임워크를 형식화한다.
• DPS, DMAP, DPPS 및 확산 기반 PnP/ADMM의 MISR 확장을 도출한다.
• 이질적인 측정 데이터를 융합하기 위한 측정별 노이즈 가중치를 도입한다.
• 4x/8x/16x 측면 통과 열화에 대해 개선된 MISR 성능을 시연하고, 일상적인 2D 다중 슬라이스 촬영으로부터 거의 등방성 재구성을 가능하게 한다.

제안 방법

• 여러 LR 측정의 공동 음의 로그 가능도가 관측 간에 분리될 수 있음을 보여주어 측정별 보정을 가능하게 한다.
• 독립적인 A_i 연산자와 y_i 측정값으로 작동하는 DPS, DMAP, DPPS 및 확산 기반 PnP/ADMM의 MISR 버전을 도출한다.
• 다른 노이즈 수준과 해상도를 가진 측정을 융합하기 위한 측정별 기울기에 대해 역분산 가중치 w_i를 도입한다.
• DDIM 기반 샘플러와 흐름 추정 네트워크를 사용하여 x_t로부터 x_0를 추정하는 3D 부피 확산 모델을 사용한다.
• 확산 모델은 변경하지 않고 각 측정에 대해 개별적으로 데이터 일관성 기울기로 x_t를 업데이트한 다음 이를 합산한다.
• 수용 가능한 계산 효율성을 입증한다(RTX 6000 ADA에서 64 NFEs 당 볼륨당 60초 이하).

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

실험 결과

연구 질문

• RQ1 공동 전방 연산자를 구성하거나 확산 모델을 재학습하지 않고도 확산 기반 역문제 해법에서 MISR을 달성할 수 있는가?
• RQ2 가능도 분리성이 MISR에서 측정별 데이터 일관성 보정으로 이어지는가?
• RQ3 이방 스케일 팩터 전반에 걸친 MISR 성능에 대해 측정별 노이즈 가중치의 영향은 무엇인가?
• RQ4 비등방성 MRI에서 PSNR, SSIM, FID 간의 최적의 트레이드오프를 제공하는 MISR 확산 기반 방법(DPS/DMAP/DPPS/ PnP 변형)은 무엇인가?
• RQ5 일상적인 2D 다중 슬라이스 촬영으로부터 MISR 확산이 거의 등방성 해부학을 효과적으로 달성할 수 있는가?

주요 결과

• 가능도 분리성을 갖춘 MISR 확산은 독립적인 측정별 연산자로부터 보정을 도출하여 공동 연산자나 모델 재훈련을 피한다.
• MISR 변형(DPS, DMAP, DPPS, 및 확산 기반 PnP/ADMM)은 확산 사전 정보를 다중 이미지 MISR에 확장한다.
• 역분산 노이즈 가중치는 측정 노이즈가 증가할수록 MISR 성능을 향상시킨다.
• 4x/8x/16x 측면 통과 열화에 걸쳐 MISR 방법은 SISR보다 상당히 우수하며 PSNR 1–3 dB 이득이 보고된다.
• DMAP은 보고된 실험에서 왜곡 지표(PSNR/SSIM) 및 FID에서 다른 방법들을 일관되게 능가한다.
• MISR은 일상적인 2D 다중 슬라이스 촬영으로부터 거의 등방성 해부학의 재구성을 가능하게 하여 긴 3D 촬영의 필요성을 줄일 수 있다.

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