Sub-DM：用于 MRI 重建的正交分解子空间扩散模型

基于摘要分析。该研究面向 MRI 重建中扩散模型收敛耗时的问题，提出 Sub-DM，通过子空间投影限制 k-space 数据的扩散过程，并结合基于小波变换的正交分解，旨在降低推理复杂度，同时保留用于重建的先验信息；研究对象是 MRI 重建，并非 EEG 解码或 BCI 控制。 核心机制是：在 k-space 数据分布逐步向噪声演化时，将扩散过程投影到更紧凑的子空间，以缓解原始 k-space 数据复杂、高维带来的学习与推理困难。作者称，紧凑子空间使模型仅需少量简单迭代即可生成准确的先验信息，但摘要未提供迭代次数或计算成本。小波正交分解用于减轻从原空间迁移到子空间时的信息损失；作者将该策略描述为近似可逆，并利用不同空间中扩散过程的相互反馈来改善先验学习。具体投影构造、反馈实现、损失函数及训练与推理流程尚未验证。 作者报告，在不同数据集上的实验中，Sub-DM 的重建速度与质量优于所比较的先进方法。摘要未列出数据集、采样模式、加速倍率、评价指标、运行硬件或对照方法，因此无法量化优势，也不能判断其是否适用于不同采集条件。实验协议、消融及统计信息尚未验证；复现需进一步核对正交分解的实现、近似可逆误差、数据一致性约束及速度测量口径。 平台推测（待验证）：其可迁移机制是用紧凑子空间降低扩散推理成本，再通过近似可逆变换保留信息，可能用于 EEG 缺失通道或缺失片段重建，而非直接证明分类性能提升。该假设依赖 EEG 是否存在稳定且能保留任务相关信息的子空间；可参考子空间扩散和正交分解，但 MRI 的 k-space 采样结构不能直接等同于 EEG 的通道与时间结构，需改造投影及观测约束。低信噪比、跨被试差异、通道变化和小数据条件可能导致弱 ERP 成分被压缩或生成伪信号。一个可检验的小实验是在同一 EEG 数据与固定缺失模式下，对照原空间扩散和子空间扩散，在相同硬件上评估重建误差、ERP 波形保真性与推理时间，并按被试划分避免混淆评估范围。已有 EEG 相关工作尚未检索确认。