用于稀疏视角 CT 重建的潜空间一致性

基于摘要分析。该研究面向由稀疏视角二维 X-ray 图像重建三维 CT 的问题，提出 Consistent Latent Space Diffusion Model（CLS-DM），通过跨模态特征对比学习，缓解 X-ray 与 CT 潜表示之间的差异，目标是在减少投影采集需求的条件下改善重建质量。 核心机制是潜空间对齐：作者认为，常规 Latent Diffusion Model（LDM）难以直接对齐二维 X-ray 与三维 CT 的潜表示，因此引入跨模态特征对比学习，从二维观测中提取潜在三维信息。摘要未披露编码器结构、对比样本构造、损失形式，以及对齐模块与扩散训练、推理流程的具体结合方式。 作者报告，在 LIDC-IDRI 和 CTSpine1K 数据集上，CLS-DM 的体素级 PSNR、SSIM 优于所比较的经典方法和先进生成模型。摘要未提供具体数值、投影视角数量与分布、数据划分、对照方法名单或统计不确定性，因此不能量化优势，也不能据此认定临床有效性或实际辐射剂量下降。实验协议、消融及统计信息尚未验证。作者称代码已公开，但实现内容与复现条件尚未核验；对 text-to-image synthesis 等任务的泛化亦未见摘要中的实验支撑。 平台推测（待验证）：可迁移的机制是假设跨模态对比约束能够改善观测与目标表示不一致的问题，而非直接将 CT 重建方法视为 BCI 算法。若探索 EEG 到 fMRI 等跨模态重建，需要明确配对或可对应的数据、目标模态监督及时间对齐条件，并改造信号编码器和生成目标；EEG 的低信噪比、跨被试差异、通道配置变化与小样本可能使对齐失效。一个可证伪的小实验是在固定被试划分、训练数据及生成骨干的条件下，比较加入与不加入跨模态对比约束的目标模态重建表现。该假设不属于原论文已验证结果，相关 EEG 工作尚未检索确认。