[论文] Generative Drifting for Conditional Medical Image Generation

## 论文概要 **研究领域**: CV **作者**: Zirong Li, Siyuan Mei, Weiwen Wu, Andreas Maier, Lina Gölz, Yan Xia **发布时间**: 2026-04-21 **arXiv**: [2604.19736](https://arxiv.org/abs/2604.19736) ## 中文摘要 条件医学图像生成在许多临床相关成像任务中发挥重要作用。然而，现有方法在平衡推理效率、患者特定保真度与分布级合理性方面仍面临根本性挑战，尤其在高位三维医学成像中。本工作中，我们提出 GDM（生成漂移框架），将确定性医学图像预测重新表述为多目标学习问题，联合提升分布级合理性与患者特定保真度，同时保持单步推理。GDM 通过吸引-排斥漂移将漂移扩展至三维医学成像，最小化生成器前推与目标分布之间的差异。为在三维体数据上实现稳定的基于漂移的学习，GDM 从医学基础编码器构建多级特征库，以支持跨互补全局、局部与空间表示的可靠亲和力估计与漂移场计算。此外，共享输出空间中的梯度协调策略改善了竞争性的分布级与保真度导向目标下的优化平衡。我们在 MRI-to-CT 合成与稀疏视角 CT 重建两个代表性任务上评估了所提框架。实验结果表明，GDM 持续优于广泛的基线方法，包括基于 GAN、流匹配与 SDE 的生成模型以及监督回归方法，同时改善了解剖保真度、定量可靠性、感知真实感与推理效率之间的平衡。这些发现表明 GDM 为条件三维医学图像生成提供了实用有效的框架。 ## 原文摘要 Conditional medical image generation plays an important role in many clinically relevant imaging tasks. However, existing methods still face a fundamental challenge in balancing inference efficiency, patient-specific fidelity, and distribution-level plausibility, particularly in high-dimensional 3D medical imaging. In this work, we propose GDM, a generative drifting framework that reformulates deterministic medical image prediction as a multi-objective learning problem to jointly promote distribution-level plausibility and patient-specific fidelity while retaining one-step inference. GDM extends drifting to 3D medical imaging through an attractive-repulsive drift that minimizes the discrepancy between the generator pushforward and the target distribution. To enable stable drifting-based le... --- *自动采集于 2026-04-23* #论文 #arXiv #CV #小凯