血管CT超分辨重建出的血管常出现断裂、多余或错误连接，而图像质量指标看不出这些结构错误。VascuSR把血管结构从CT灰度重建中拆出来，先在3D血管标签空间用条件整流流修正血管，再通过轻量控制器把修正后的结构注入扩散解码器，并在每轮重建后重新提取结构形成反馈。在重新标注的MSD Task08与HVM上，它的Dice和clDice优于插值和学习型基线，类别平均连通分量数在两个数据集上均下降超过20%，MSD上平均中心线距离下降超过10%，图像质量与SR骨干相当。
作者提出 TomoTransformer，一种把每个局部滤波投影当作独立 token、在反投影空间中用自注意力预测缺失视角的 transformer 架构，从而用单一模型处理任意数量、任意角度和任意探测器尺寸的输入投影并查询任意目标角度而无需重训；在大规模医学 CT 解剖与自然图像数据上训练后，该模型在多个稀疏视角基准上显著优于 ViewTrans 等多用途模型、达到或超过强协议专用基线，并在 X 射线同步辐射采集的真实纳米级脑数据上展现稳健零样本泛化。
该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。
作者提出首个基于流匹配（Flow Matching）的CT重建框架FMCT及其高效变体EFMCT，利用流匹配的确定性ODE采样与数据一致性校正天然兼容、且相邻步预测速度场高度相关的特点，在连续步中复用已算出的速度场以减少神经网络函数评估次数（NFE），并给出理论分析表明复用引入的误差与欧拉离散化同阶、在有限复用步数下累积误差受控；在AAPM与Medical Segmentation Decathlon两个公开CT数据集、20视角与40视角平行束稀疏采样下，FMCT/EFMCT的PSNR/SSIM与扩散类方法相当，而NFE与计算时间显著更低（如AAPM 40视角EFMCT为7次NFE、0.83秒，相对最
已读完全部报道