γ光子流场图像去噪换了引导方式：结构全程跟随，频率随扩散步调，独立测试PSNR达28.325 dB
核心概要
γ光子流场图像由有限符合事件重建，边界模糊、局部结构易被噪声淹没，常规条件扩散模型只在输入端拼接退化图像，结构先验在反复下采样中被稀释，且频域处理不随扩散步变化。结构—频率引导扩散模型（SFGD）用多尺度结构流与窗口交叉注意力把边缘和形态先验持续送入去噪网络，并按扩散时间步调节频域增强的幅度与范围。在按体模划分的独立测试集上，完整模型取得28.325 dB的PSNR和0.926的SSIM，比条件扩散基线分别高5.499 dB和0.153。
深度剖析
γ光子流场图像的去噪不再只靠输入端一次拼接退化图像，结构先验在反向去噪的每一层都被重新注入。 常规条件扩散模型通过通道拼接引入条件图像，结构信息在多层下采样中会被稀释，难以持续约束主流动轮廓与边界位置。 在按体模划分、未做裁剪或旋转增强的独立测试集30对图像上，完整SFGD取得28.325 dB的PSNR和0.926的SSIM，条件DDPM基线为22.826 dB和0.773。
频域增强的强度与范围随反向采样进程改变，早期少放大噪声，后期补回边缘细节。 既有频域方法多由固定变换或当前输入内容决定调制参数，不显式依赖扩散时间步，因而难以匹配逐步变化的噪声水平。 消融中仅加TAFM的配置把PSNR从22.826 dB提到24.357 dB、SSIM从0.773提到0.895；仅加SCGM的配置为26.590 dB和0.862；两者合用达到28.325 dB和0.926。
结构引导由一条与扩散分支分辨率对齐的多尺度结构流完成，再经窗口交叉注意力逐层融合。 该结构流用3×3与7×7两条深度可分离卷积路径分别取局部边缘和更大范围的结构走向，并以空间门控加权合并。 交叉注意力在4×4不重叠窗口内计算，残差缩放系数初始化为0，使模块在训练初期近似原扩散分支；跳跃连接被拆成噪声分支与结构增强两条独立通路。
训练目标同时约束噪声、图像结构与频谱幅度，三项权重由任务不确定性自动调节。 三项损失量级与优化难度差异明显，固定权重需要反复搜索超参数，且难以适应训练中相对难度的变化。 结构一致性损失只在时间步满足t<250时计算，因为高噪声步由预测噪声反推的近似干净图像误差较大；频率一致性损失只约束幅度谱、不约束相位。
启示与展望
演示范围是GATE蒙特卡洛仿真生成的γ光子流场图像：97个体模、128×128像素、OSEM重建，训练与验证经四象限裁剪和直角旋转扩增，独立测试集30对原图不做增强。读者对象是从事光子成像重建与流场图像预处理的研究人员和工程师。
全部定量结果来自GATE仿真与OSEM重建的体模图像，未涉及实测γ光子流场数据。斜向尾流一组的各方法指标均低于另外两组，原文将其归因于输入轮廓过渡更弥散、可供利用的结构线索更少。数据可用性声明为可向通讯作者合理索取。