[논문 리뷰] ReCo-Diff: Residual-Conditioned Deterministic Sampling for Cold Diffusion in Sparse-View CT

Yong Eun Choi, Hyoung Suk Park외 3명|arXiv (Cornell University)|2026. 03. 03.

Medical Imaging Techniques and Applications인용 수 0

한 줄 요약

잔여 조건이 부여된 차가운 확산 프레임워크를 희박 시야 CT의 차가운 확산에 적용하여 관찰 잔여를 이용해 결정적 샘플링을 안내하고, 휴리스틱 재설정 없이 안정성과 재구성 품질을 향상시킨다.

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.

연구 동기 및 목표

• 극심한 각도 저샘플링 하에서 강건한 희박 시야 CT 재구성을 촉진한다.
• CT의 차가운 확산에서 잔여 조건화를 이용한 자기 가이드 샘플링 메커니즘을 도입한다.
• 관찰 잔여를 조건으로 하여 결정적, 측정 기반의 보정을 가능하게 함으로써 휴리스틱 재설정을 제거한다.
• 표준 데이터셋에서 기존 차가운 확산 기법 대비 재구성 정확도와 안정성을 향상시켰음을 보인다.

제안 방법

• 각도 부분샘플링을 모델링하는 열화 연산자를 포함하는 일반화된 차가운 확산 프레임워크를 사용한다.
• 오류 전파를 포함하는 합성 학습(EPCT)과 입력에 잔여 가이던스를 연결하여 잔여 조건화를 수행하는 복원 네트워크를 학습한다.
• 관찰 잔여를 형성하기 위해 비조건부 기본 예측을 계산한 다음, 이후 예측은 이 잔여에 기반해 조건화한다(잔여 타이밍 조건화).
• 희박 시야 입력에 대한 직접 복원 손실과 EMA 교사를 통한 오류 전파 상태에 노출시키는 합성 손실의 두 단계 학습을 적용한다.
• 추론 시 고정된 결정적 스케줄 아래에서 잔여 가이드 보정으로 반복적으로 업데이트하여 잔여 조건의 자기 안내 샘플링을 수행한다.
• 매우 희박한 구간에서 초기화를 안정시키기 위한 일회성 레벨 전이를 선택적으로 포함한다.

실험 결과

연구 질문

• RQ1 잔여 조건이 부여된 결정적 가이드가 희박 시야 CT의 차가운 확산의 안정성을 향상시킬 수 있는가?
• RQ2 관찰 잔여를 조건화하는 것이 휴리스틱 재설정 전략과 비교하여 오류 축적을 줄이는가?
• RQ3 표준 CT 데이터세트에서 서로 다른 희박도 수준(예: 18/36/72 뷰)에서 ReCo-Diff의 성능은 어떠한가?
• RQ4 기존 확산 기반 희박 시야 CT 방법에 비해 정성적 및 정량적 이점은 무엇인가?

주요 결과

• ReCo-Diff는 18/36/72 뷰 설정에서 RMSE, PSNR, SSIM 기준으로 일관되게 베이스라인을 능가한다.
• 잔여 조건부 샘플링은 더 안정적인 오차 궤적과 휴리스틱 재설정에 대한 의존도 감소를 가져온다.
• 일회성 레벨 전이는 극도로 희박한 구간에서 초기화 안정성을 향상시킨다.
• CvG-Diff 및 기타 베이스라인과 비교하여 ReCo-Diff는 심한 희박성 하에서 더 높은 강인성과 더 낮은 샘플링 불안정성을 보인다.
• 단일 모델로 다양한 희박도에서 경쟁력 있는 재구성 속도를 달성한다.