arXiv:2512.06977v1 Announce Type: cross 
Abstract: Accurate multi-slice reconstruction from limited measurement data is crucial to speed up the acquisition process in medical and scientific imaging. However, it remains challenging due to the ill-posed nature of the problem and the high computational and memory demands. We propose a framework that addresses these challenges by integrating partitioned diffusion priors with physics-based constraints. By doing so, we substantially reduce memory usage per GPU while preserving high reconstruction quality, outperforming both physics-only and full multi-slice reconstruction baselines for different modalities, namely Magnetic Resonance Imaging (MRI) and four-dimensional Scanning Transmission Electron Microscopy (4D-STEM). Additionally, we show that the proposed method improves in-distribution accuracy as well as strong generalization to out-of-distribution datasets.

تم اقتراح إطار جديد لإعادة بناء الشرائح المتعددة في التصوير العلمي، حيث يتم دمج أولويات الانتشار المقسمة مع قيود قائمة على الفيزياء. هذه الطريقة تقلل بشكل كبير من استخدام الذاكرة لكل وحدة معالجة رسومية مع الحفاظ على جودة إعادة بناء عالية، خاصة في التصوير بالرنين المغناطيسي (MRI) والميكروسكوب الإلكتروني الناقل رباعي الأبعاد (4D-STEM).

Se ha propuesto un nuevo marco para la reconstrucción de múltiples cortes en la imagen científica, integrando priors de difusión particionados con restricciones basadas en la física. Este enfoque reduce significativamente el uso de memoria por GPU mientras mantiene una alta calidad de reconstrucción, especialmente en la resonancia magnética (IRM) y la microscopía electrónica de transmisión en cuatro dimensiones (4D-STEM).

Un nouveau cadre a été proposé pour la reconstruction multi-coupes en imagerie scientifique, intégrant des priors de diffusion partitionnés avec des contraintes basées sur la physique. Cette approche réduit considérablement l'utilisation de la mémoire par GPU tout en maintenant une haute qualité de reconstruction, en particulier dans l'imagerie par résonance magnétique (IRM) et la microscopie électronique à transmission à quatre dimensions (4D-STEM).

A new framework has been proposed for multi-slice reconstruction in scientific imaging, integrating partitioned diffusion priors with physics-based constraints. This approach significantly reduces memory usage per GPU while maintaining high reconstruction quality, particularly in Magnetic Resonance Imaging (MRI) and four-dimensional Scanning Transmission Electron Microscopy (4D-STEM).

Physics-Guided Diffusion Priors for Multi-Slice Reconstruction in Scientific Imaging

arXiv:2512.06530v1 Announce Type: cross 
Abstract: Recent work has established learned k-space acquisition patterns as a promising direction for improving reconstruction quality in accelerated Magnetic Resonance Imaging (MRI). Despite encouraging results, most existing research focuses on acquisition patterns optimized for a single dataset or modality, with limited consideration of their transferability across imaging domains. In this work, we demonstrate that the benefits of learned k-space sampling can extend beyond the training domain, enabling superior reconstruction performance under domain shifts. Our study presents two main contributions. First, through systematic evaluation across datasets and acquisition paradigms, we show that models trained with learned sampling patterns exhibitimproved generalization under cross-domain settings. Second, we propose a novel method that enhances domain robustness by introducing acquisition uncertainty during training-stochastically perturbing k-space trajectories to simulate variability across scanners and imaging conditions. Our results highlight the importance of treating kspace trajectory design not merely as an acceleration mechanism, but as an active degree of freedom for improving domain generalization in MRI reconstruction.

أظهرت التطورات الأخيرة في التصوير بالرنين المغناطيسي (MRI) دور أنماط اكتساب k-space المتعلمة في تحسين جودة إعادة البناء، خاصة في التصوير المسرع. تُظهر هذه الدراسة أن أنماط أخذ العينات هذه يمكن أن تحسن الأداء حتى عند تطبيقها على مجالات تصوير مختلفة، مما يبرز إمكاناتها للتطبيق الأوسع خارج مجموعات البيانات الفردية.

Los avances recientes en la imagen por resonancia magnética (IRM) han destacado el papel de los patrones de adquisición de k-space aprendidos en la mejora de la calidad de reconstrucción, especialmente en la imagen acelerada. Este estudio demuestra que estos patrones de muestreo pueden mejorar el rendimiento incluso cuando se aplican a diferentes dominios de imagen, mostrando su potencial para una aplicación más amplia más allá de conjuntos de datos únicos.

Des avancées récentes en imagerie par résonance magnétique (IRM) ont mis en lumière le rôle des motifs d'acquisition de k-space appris dans l'amélioration de la qualité de reconstruction, en particulier dans l'imagerie accélérée. Cette étude démontre que ces motifs d'échantillonnage peuvent améliorer les performances même lorsqu'ils sont appliqués à différents domaines d'imagerie, montrant ainsi leur potentiel pour une application plus large au-delà des ensembles de données uniques.

Recent advancements in Magnetic Resonance Imaging (MRI) have highlighted the role of learned k-space acquisition patterns in enhancing reconstruction quality, particularly in accelerated imaging. This study demonstrates that these sampling patterns can improve performance even when applied to different imaging domains, showcasing their potential for broader application beyond single datasets.

Physics-Guided Diffusion Priors for Multi-Slice Reconstruction in Scientific Imaging

Was this article worth reading? Share it

LucidQuery AI

Deptho.ai

Brainactive