# 图像去噪

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。

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。

该研究提出HARU-Net，一种混合注意力残差U-Net，在人类下颌骨尸体标本的高分辨率锥形束CT（CBCT）数据上训练，用于低剂量CBCT去噪；其架构在每条跳跃连接中嵌入混合注意力Transformer模块、在瓶颈处设置残差混合注意力Transformer组、并使用残差学习卷积块，报告达到最高峰值信噪比37.52 dB、次高SSIM 0.9557和最低GMSD 0.1084，同时相比基于Transformer的方法计算复杂度显著更低。

该研究提出HARU-Net，一种混合注意力残差U-Net，在人类下颌骨尸体标本的高分辨率锥形束CT（CBCT）数据上训练，用于低剂量CBCT去噪；其架构在每条跳跃连接中嵌入混合注意力Transformer模块、在瓶颈处设置残差混合注意力Transformer组、并使用残差学习卷积块，报告达到最高峰值信噪比37.52 dB、次高SSIM 0.9557和最低GMSD 0.1084，同时相比基于Transformer的方法计算复杂度显著更低。