K-space Cold Diffusion：无需噪声的加速 MRI 重建学习

基于摘要分析。本文研究加速 MRI 的图像重建，提出在 k-space 中执行退化与恢复的 cold diffusion 模型，无需引入高斯噪声。其主要贡献是将扩散式重建的退化机制与 MRI 的 k-space 表示结合，而非围绕高斯加噪构建恢复过程。 机制方面，cold diffusion 将传统扩散模型的加噪过程推广至任意图像变换，例如模糊或下采样；本文进一步将退化与恢复放在 k-space 中进行。摘要未提供具体退化算子、采样掩码、恢复网络、训练目标或迭代推理流程，因此尚不能判断其如何约束观测数据一致性，也不能将“无需高斯噪声”等同于对实际采集噪声具有鲁棒性。 作者报告，在一个知名的大规模开源 MRI 数据集上进行了测试，并与多个深度学习 MRI 重建模型比较，所提方法能够生成高质量的加速 MRI 重建图像。摘要未给出数据集名称、数据划分、加速倍数、对照模型名称或定量指标，故尚无法核对优势幅度及适用范围；实验协议、消融及统计信息尚未验证。 该研究的直接对象是 MRI 图像重建，并非 EEG 解码或 BCI。摘要不足以建立其向 EEG/BCI 迁移的具体机制路径，因此不据此提出迁移效果或复现实验建议。复现评估需进一步取得全文，核对 k-space 退化定义、训练与推理设置、数据预处理及实现可用性。