题目：Measurement Guidance in Diffusion Models: Insight from Medical Image Synthesis

从医学图像的视角解读diffusion model里面的测度引导问题

作者：Yimin Luo; Qinyu Yang; Yuheng Fan; Haikun Qi; Menghan Xia

源码链接： https://github.com/yangqy1110/MGDM

摘要

在医疗保健领域，样本获取通常受到成本、劳动密集型注释、隐私问题和辐射危害等多重因素的限制，因此，合成感兴趣图像是数据增强的重要工具。扩散模型最近在各种合成任务中取得了最先进的结果，并且已被证明嵌入能量函数可以有效地指导预训练模型合成目标样本。然而，我们注意到当前的方法开发和验证仍然仅限于提高指标，如Fréchet Inception Distance得分（FID）和Inception Score（IS），并没有对下游任务进行更深入的研究，如疾病分级和诊断。此外，现有的分类器引导可以被视为能量函数的一个特例，它只能对合成数据集的分布产生单一影响。这可能导致分布内的合成样本对下游模型优化帮助有限。所有这些限制提醒我们，要实现可控生成，我们还有很长的路要走。在这项工作中，我们首先从数据分布的角度对以前的引导及其对进一步应用的贡献进行了分析。为了合成可以帮助下游应用的样本，我们随后在每个采样步骤中引入不