论文页面 - 用于自回归MRI重建的下一加速级别预测

来源：https://huggingface.co/papers/2605.19354

摘要

利用特权信息蒸馏的离散自回归MRI重建通过在极端欠采样下借助视觉自回归建模技术实现了优越性能。

MRI重建本质上是一个病态逆问题，因为不完整的测量允许存在多种可行解。这种模糊性在高加速条件下变得更加严重，此时像素域连续预测器倾向于对可行重建取平均并抑制高频解剖结构。我们通过将重建迁移到离散多尺度潜在空间（https://huggingface.co/papers?q=discrete%20multi-scale%20latent%20space），并将其表述为自回归下一加速级别预测（https://huggingface.co/papers?q=autoregressive%20next-acceleration-scale%20prediction）来解决这一局限性。利用视觉自回归建模（https://huggingface.co/papers?q=visual%20autoregressive%20modeling）中证明有效的离散先验，我们的方法将解空间限制为紧凑的码本标记（https://huggingface.co/papers?q=codebook%20tokens）序列，即使从极其稀疏的测量中也能实现锐利重建。这种离散自回归表述也自然地与现代大型语言模型的后训练技术相契合。基于这一观察，我们引入了用于视觉自回归建模（https://huggingface.co/papers?q=visual%20autoregressive%20modeling）的在策略（https://huggingface.co/papers?q=on-policy）特权信息蒸馏（https://huggingface.co/papers?q=privileged%20information%20distillation），其中教师仅在推理时不可用的特权上下文中接受训练（此处为全采样采集），并监督在自身展开上训练的学生，从而带来一致的重建提升。通过在fastMRI基准（https://huggingface.co/papers?q=fastMRI%20benchmark）上的广泛实验，我们表明我们的方法在极端欠采样（https://huggingface.co/papers?q=extreme%20undersampling）下跨不同采样模式实现了改进的重建性能。项目网站位于https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/{此处}。

查看arXiv页面 (https://arxiv.org/abs/2605.19354) 查看PDF (https://arxiv.org/pdf/2605.19354) 项目页面 (https://yilmazkorkmaz1.github.io/discrete-mri-reconstruction-opd/) GitHub1 (https://github.com/yilmazkorkmaz1/discrete-mri-reconstruction-opd) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.19354)

在你的代理中获取此论文：

hf papers read 2605\.19354

没有最新的CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型README.md中引用arxiv.org/abs/2605.19354即可从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2605.19354即可从此页面链接。

引用此论文的Spaces0

没有Space链接此论文

在Space README.md中引用arxiv.org/abs/2605.19354即可从此页面链接。

包含此论文的集合0

没有集合包含此论文

将此论文添加到集合 (https://huggingface.co/new-collection) 即可从此页面链接。