💻 computer science

Towards reconstructing experimental sparse-view X-ray CT data with diffusion models

यह शोध पत्र प्रयोगात्मक स्पार्स-व्यू एक्स-रे सीटी पुनर्निर्माण (reconstruction) में डिफ्यूजन मॉडल्स के अनुप्रयोग की जांच करता है, जिससे यह पता चलता है कि जहाँ गंभीर डोमेन शिफ्ट्स मतिभ्रम (hallucinations) का कारण बनते हैं, वहीं विविध सिंथेटिक प्रायर्स (priors), संकीर्ण मैच किए गए प्रायर्स की तुलना में बेहतर प्रदर्शन करते हैं और एनेल्ड लाइकलीहुड शेड्यूल्स (annealed likelihood schedules) फॉरवर्ड मॉडल मिसमैच को प्रभावी ढंग से कम कर सकते हैं, जो अंततः यह प्रदर्शित करता है कि सिंथेटिक डेटा से प्राप्त प्रदर्शन लाभ स्वचालित रूप से वास्तविक दुनिया के बेंचमार्क में परिवर्तित नहीं होते हैं।

मूल लेखक: Nelas J. Thomsen, Xinyuan Wang, Felix Lucka, Ezgi Demircan-Tureyen

प्रकाशित 2026-04-23

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nelas J. Thomsen, Xinyuan Wang, Felix Lucka, Ezgi Demircan-Tureyen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, 3D जिग्सॉ पहेली (jigsaw puzzle) को हल करने की कोशिश कर रहे हैं, लेकिन किसी ने उसके 90% टुकड़े फेंक दिए हैं। स्पार्स-व्यू एक्स-रे सीटी (Sparse-View X-ray CT) बिल्कुल ऐसा ही है। डॉक्टर आपके शरीर के अंदर देखना चाहते हैं (या कोई इंजीनियर जेट इंजन के अंदर देखना चाहता है), लेकिन वे यह काम तेजी से और कम रेडिएशन के साथ करना चाहते हैं। ऐसा करने के लिए, वे पूरे 360-डिग्री स्कैन के बजाय केवल कुछ अलग-अलग कोणों से कुछ "स्नैपशॉट" (प्रोजेक्शन) लेते हैं।

समस्या क्या है? इतने कम स्नैपशॉट के साथ, कंप्यूटर को यह अनुमान लगाना पड़ता है कि गायब हिस्से कैसे दिखते होंगे। यदि उसका अनुमान गलत होता है, तो आपको एक धुंधली, विकृत, या यहाँ तक कि एक नकली छवि मिल सकती है।

यह शोध पत्र इस बारे में है कि एक अत्यंत बुद्धिमान एआई (जिसे डिफ्यूजन मॉडल कहा जाता है) को एक बेहतर "अनुमान लगाने वाला" बनने के लिए कैसे सिखाया जाए, और यह समझने के बारे में कि जब वह "अभ्यास मोड" से "वास्तविक जीवन" में जाता है, तो वह कभी-कभी क्यों विफल हो जाता है।

यहाँ उनकी यात्रा का विवरण दिया गया, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है:

1. दो ताकतें: कलाकार बनाम जासूस

इस पहेली को सुलझाने के लिए, एआई को दो प्रतिस्पर्धी ताकतों के बीच संतुलन बनाना होता है:

द प्रायर (The Prior - कलाकार): यह एआई की "सामान्य समझ" है। इसने हजारों छवियां देखी हैं कि वस्तुएं आमतौर पर कैसी दिखती हैं। यह कहता है, "मैं जानता हूँ कि यह एक मस्तिष्क है; मस्तिष्क आमतौर पर ऐसा दिखता है।"
द लाइकलीहुड (The Likelihood - जासूस): यह एक्स-रे मशीन से प्राप्त वास्तविक डेटा है। यह कहता है, "मेरे द्वारा लिए गए माप यहाँ एक रेखा और वहाँ एक वक्र (curve) दिखाते हैं।"

एआई को दोनों की बात सुननी पड़ती है। यदि वह कलाकार की बहुत अधिक सुनता है, तो वह वास्तविक डेटा को अनदेखा कर सकता है और ऐसी चीजें "हैलुसिनेट" (कल्पना) कर सकता है जो वहां मौजूद नहीं हैं। यदि वह जासूस की बहुत अधिक सुनता है, तो वह डेटा के शोर (noise) से भ्रमित हो सकता है और एक बिखरा हुआ, धब्बेदार ढेर बना सकता है।

2. "अभ्यास बनाम वास्तविकता" की समस्या

शोधकर्ताओं ने यह देखना चाहा कि क्या कंप्यूटर द्वारा जनरेट किए गए आदर्श, गणितीय पहेलियों पर प्रशिक्षित एआई वास्तविक, भौतिक वस्तुओं को संभाल सकता है।

सेटअप: उन्होंने एक भौतिक प्लास्टिक की वस्तु बनाई जो प्रसिद्ध "शेप-लोगन" (Shepp-Logan) टेस्ट पैटर्न (जो सीटी स्कैन में उपयोग की जाने वाली एक मानक गणितीय पहेली है) जैसी दिखती थी। उन्होंने इसे लेजर कटर से बनाया, फिर एक वास्तविक एक्स-रे मशीन से स्कैन किया।
प्रशिक्षण: उन्होंने तीन अलग-अलग एआई को प्रशिक्षित किया:
1. द प्यूरिस्ट (The Purist): इसे केवल पूर्ण, कंप्यूटर-जनरेटेड गणितीय पहेलियों पर प्रशिक्षित किया गया।
2. द रियलिस्ट (The Realist): इसे केवल उस विशिष्ट लेजर-कट प्लास्टिक ऑब्जेक्ट पर प्रशिक्षित किया गया।
3. द जनरलिस्ट (The Generalist): इसे दोनों के मिश्रण पर प्रशिक्षित किया गया।

चौंकाने वाला निष्कर्ष:
आप सोच सकते हैं कि "रियलिस्ट" (जो सटीक वस्तु पर प्रशिक्षित था) जीत जाएगा। लेकिन ऐसा नहीं हुआ। वास्तव में, वह अक्सर बुरी तरह विफल रहा।

क्यों? "रियलिस्ट" बहुत कठोर था। यह एक ऐसे शेफ की तरह था जो केवल एक विशिष्ट रेसिपी जानता है। यदि वास्तविक वस्तु में एक छोटा सा खरोंच या मामूली खामी थी जिसे एआई ने नहीं देखा था, तो शेफ घबरा गया और उसने व्यंजन खराब कर दिया।
विजेता: "जनरलिस्ट" (मिश्रण) जीता। कई अलग-अलग प्रकार की वस्तुओं को देखकर, उसने आकृतियों और किनारों की अवधारणा (concept) सीखी, न कि केवल एक विशिष्ट वस्तु के विवरण। यह वास्तविक दुनिया के अनुकूल होने के लिए पर्याप्त लचीला था।

3. "फिजिक्स गैप" (भौतिकी का अंतर)

एक अच्छे एआई के साथ भी, दूसरी समस्या थी: फिजिक्स गैप (The Physics Gap)।

कल्पना कीजिए कि आप एक मानचित्र (map) का उपयोग करके शहर में रास्ता खोज रहे हैं।

सिमुलेशन: मानचित्र एकदम सही है। हर सड़क ठीक वहीं है जहाँ होनी चाहिए।
वास्तविक दुनिया: मानचित्र थोड़ा गलत है। वहां एक नया निर्माण कार्य चल रहा है, एक मोड़ है, या एक गड्ढा है जिसे मानचित्र नहीं दिखाता है।

लैब में, कंप्यूटर एक्स-रे प्रक्रिया को पूरी तरह से सिम्युलेट करता है। लेकिन वास्तविक दुनिया में, एक्स-रे बीम थोड़ा मुड़ जाती है, मशीन कंपन करती है, और डिटेक्टर में शोर (noise) होता है।

परिणाम: जब एआई ने वास्तविक, बिखरे हुए डेटा को अपने आदर्श मानचित्र में फिट करने की कोशिश की, तो वह हैलुसिनेट करने लगा। वह गणित को सही बनाने के लिए छेदों की स्थिति को बदलने लगा या आकृतियों को विकृत करने लगा। यह एक चौकोर लकड़ी को गोल छेद में जबरदस्ती डालने जैसा था, और एआई ने उसे तब तक दबाया जब तक कि वह गोल नहीं दिखने लगा, भले ही वह गलत था।

4. समाधान: "एनीलिंग" शेड्यूल (The Annealing Schedule)

इसे कैसे ठीक करें? शोधकर्ताओं ने एनीलिंग (Annealing) नामक एक चतुर तकनीक खोजी।

इसे रेडियो ट्यून करने या कैमरा लेंस एडजस्ट करने की तरह समझें।

प्रारंभिक चरण (उच्च शोर/High Noise): जब एआई अनुमान लगाना शुरू करता है, तो छवि केवल स्टैटिक शोर (static noise) होती है। इस बिंदु पर, एआई को सामान्य आकार पाने के लिए जासूस (वास्तविक एक्स-रे डेटा) को बहुत ध्यान से सुनने की आवश्यकता होती है। उसे कहना होगा, "ठीक है, मैं यहाँ एक धब्बा देख रहा हूँ, मैं इस पर टिके रहूँगा।"
अंतिम चरण (स्पष्ट छवि/Clear Image): जैसे-जैसे छवि स्पष्ट होती जाती है, जासूस के निर्देश शोर भरे और अविश्वसनीय होते जाते हैं क्योंकि "फिजिक्स गैप" (गड्ढे और मोड़) मौजूद होते हैं। यदि एआई अब भी जासूस को बहुत ध्यान से सुनता रहता है, तो वह त्रुटियों को फिट करने के लिए छवि को बिगाड़ना शुरू कर देगा।
समाधान: शोधकर्ताओं ने एआई को निर्देश दिया कि जैसे-जैसे छवि स्पष्ट होती जाए, जासूस के निर्देशों का वॉल्यूम धीरे-धीरे कम कर दिया जाए।
- शुरुआत: "डेटा को सुनो! आकार को सही करो!"
- अंत: "विवरण भरने और शोर को कम करने के लिए अपनी सामान्य समझ (कलाकार) पर भरोसा करो।"

इस "शेड्यूल" ने उन्हें बहुत कम गणना चरणों के साथ भी बेहतरीन परिणाम प्राप्त करने में मदद की, जिससे यह प्रक्रिया तेज और अधिक सटीक हो गई।

मुख्य निष्कर्ष

यह शोध पत्र हमें सिखाता है कि आप केवल कंप्यूटर सिमुलेशन से समाधान को कॉपी-पेस्ट नहीं कर सकते।

बहुत विशिष्ट न बनें: एक संकीर्ण, पूर्ण डेटासेट पर प्रशिक्षित एआई नाजुक होता है। एक विविध मिश्रण पर प्रशिक्षित एआई अधिक मजबूत होता है।
अव्यवस्था का सम्मान करें: वास्तविक दुनिया की भौतिकी अव्यवस्थित होती है। आप केवल डेटा को मॉडल में फिट करने के लिए मजबूर नहीं कर सकते; आपको मॉडल को "रिलैक्स" करने और डेटा की छोटी त्रुटियों को अनदेखा करने देना होगा।
समय ही सब कुछ है: आपको शुरुआत में डेटा को सुनने की आवश्यकता होती है, लेकिन जैसे-जैसे तस्वीर स्पष्ट होती जाती है, आपको अपने "अंतर्ज्ञान" (gut feeling) पर अधिक भरोसा करना चाहिए।

संक्षेप में: धुंधली खिड़की से दुनिया को स्पष्ट रूप से देखने के लिए, आपको एक ऐसे स्मार्ट गाइड की आवश्यकता है जो जानता है कि चीजें आमतौर पर कैसी दिखती हैं, लेकिन जो यह भी जानता है कि कब अनुमान लगाना बंद करना है और धुंधली वास्तविकता को स्वीकार करना है।

यहाँ शोध पत्र "Towards reconstructing experimental sparse-view X-ray CT data with diffusion models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र स्पार्स-व्यू एक्स-रे कंप्यूटेड टोमोग्राफी (CT) पुनर्निर्माण (reconstruction) के लिए डिफ्यूजन-आधारित इमेज जनरेटरों को लागू करने की चुनौती का समाधान करता है। जबकि डिफ्यूजन मॉडल ने सिंथेटिक परिवेश में इल-पोज़्ड (ill-posed) इनवर्स समस्याओं के लिए प्रायर (prior) के रूप में आशाजनक परिणाम दिखाए हैं, वास्तविक (experimental) डेटा पर उनका अनुप्रयोग अभी भी अपुष्ट है।

दो प्राथमिक प्रकार के मिसमैच (mismatch) सिमुलेशन से वास्तविकता की ओर संक्रमण को बाधित करते हैं:

प्रायर मिसमैच (डोमेन शिफ्ट): डिफ्यूजन मॉडल आमतौर पर आदर्श, सिंथेटिक डेटासेट (जैसे, मानक शेप-लोगन फैंटम) पर प्रशिक्षित होते हैं। वास्तविक दुनिया की वस्तुओं में ज्यामितीय अशुद्धियाँ, बनावट संबंधी भिन्नताएँ और कम-कंट्रास्ट वाली विशेषताएँ होती हैं जो प्रशिक्षण डेटा में मौजूद नहीं होती हैं, जिससे "भंगुर" (brittle) प्रायर बनते हैं जो अनदेखी वस्तुओं पर विफल हो जाते हैं।
फॉरवर्ड मॉडल मिसमैच: मानक पुनर्निर्माण एक पूर्ण गणितीय प्रोजेक्टर मानता है। हालाँकि, प्रायोगिक स्कैन में बीम हार्डनिंग, स्कैटर, ज्यामितीय अंशांकन त्रुटियाँ और जटिल शोर टेक्सचर (noise textures) जैसी समस्याएँ होती हैं। यह विसंगति सॉल्वर को या तो गलत डेटा के अनुरूप आर्टिफ़ेक्ट्स को बढ़ाने के लिए मजबूर करती है या प्रायर पर बहुत अधिक निर्भर होने के कारण 'हैलुसिनेशन' (hallucinations) पैदा करती है।

मूल प्रश्न यह है: क्या सिंथेटिक डेटा में देखे गए प्रदर्शन लाभ वास्तविक सेटिंग्स में भी अनुवादित होते हैं, और "सिम-टू-रियल" गैप को पाटने के लिए इन्फरेंस रणनीतियों को कैसे अनुकूलित किया जा सकता है?

2. कार्यप्रणाली (Methodology)

A. प्रयोगात्मक सेटअप और डेटा जनरेशन

एक नियंत्रित वातावरण बनाने के लिए, लेखकों ने एक भौतिक फैंटम (physical phantom) डिज़ाइन किया जो एक PMMA प्लेट से लेजर-कट किया गया था, जो मानक शेप-लोगन (SL) फैंटम की नकल करता है लेकिन इसमें भौतिक खामियाँ हैं।

स्कैनर: कस्टम-निर्मित कोन-बीम CT सिस्टम (70 kVp, 600 µA)।
डेटा: 180° पर 901 प्रोजेक्शन।
टेस्ट डोमेन: लेखकों ने चार क्रमिक रूप से कठिन डोमेन में प्रदर्शन का मूल्यांकन किया:
1. मानक सिमुलेशन ( $y_{sim(std)}$ ): आदर्श SL फैंटम।
2. CAD सिमुलेशन ( $y_{sim(cad)}$ ): लेजर-कट डिज़ाइन से सिम्युलेटेड प्रोजेक्शन (ज्यामितीय बदलाव पेश करता है)।
3. पुनर्निर्माण सिमुलेशन ( $y_{sim(recon)}$ ): भौतिक फैंटम के फुल-व्यू पुनर्निर्माण से सिम्युलेटेड प्रोजेक्शन (यथार्थवादी बनावट पेश करता है)।
4. प्रायोगिक माप ( $y_{exp}$ ): भौतिक स्कैनर से वास्तविक रॉ डेटा (पूर्ण भौतिक मिसमैच पेश करता है)।

B. प्रायर ट्रेनिंग (Training Priors)

प्रशिक्षण वितरण के प्रभाव का परीक्षण करने के लिए तीन अलग-अलग डिफ्यूजन प्रायर को 10,000 छवियों पर प्रशिक्षित किया गया:

$f_{std}$ (मानक): विक्षेपित (perturbed) मानक SL दीर्घवृत्तों (ellipses) पर प्रशिक्षित (संकीर्ण, उच्च-कंट्रास्ट वितरण)।
$f_{exp}$ (प्रायोगिक): भौतिक लेजर-कट फैंटम से मेल खाने वाले विक्षेपित दीर्घवृत्तों पर प्रशिक्षित (विशिष्ट ज्यामिति के लिए अनुकूलित)।
$f_{mix}$ (मिश्रित): मानक और प्रायोगिक दोनों दीर्घवृत्तों के संयोजन पर प्रशिक्षित (विविध, व्यापक वितरण)।

C. पुनर्निर्माण पाइपलाइन

लेखकों ने डीकंपोज्ड डिफ्यूजन सैंपलर (DDS) का उपयोग किया:

तंत्र: एक प्लग-एंड-प्ले सॉल्वर जो एक सीखे हुए प्रायर दिशा ( $\epsilon_\theta$ ) को एक भौतिक-आधारित डेटा दिशा (कंजुगेट ग्रेडिएंट स्टेप्स) के साथ जोड़ता है।
फॉरवर्ड ऑपरेटर: स्पार्स प्रोजेक्शन के साथ फैन-बीम ज्यामिति के रूप में मॉडल किया गया।
इन्फरेंस रणनीति: शोध पत्र लाइकलीहुड वेटिंग ( $\gamma$ ) के प्रभाव की जांच करता है। वे एक कॉन्स्टेंट वेट (constant weight) शेड्यूल की तुलना एक लीनियर डिके (linear decay/annealed) शेड्यूल से करते हैं, जहाँ $\gamma$ उच्च स्तर से शुरू होता है (शुरुआती चरणों में डेटा कंसिस्टेंसी लागू करना) और फिर घटता है (बाद के चरणों में विवरणों को रिफाइन करने के लिए प्रायर को अनुमति देना)।

3. मुख्य योगदान (Key Contributions)

प्रायर विविधता बनाम विशिष्टता का विश्लेषण: यह अध्ययन प्रदर्शित करता है कि जबकि सटीक प्रयोगात्मक ज्यामिति के लिए विशेष प्रायर ( $f_{exp}$ ) सिमुलेशन में अच्छा प्रदर्शन करता है, यह वास्तविक डेटा पर विफल या कम प्रदर्शन कर सकता है। इसके विपरीत, एक विविध प्रायर ( $f_{mix}$ ) जो मानक और प्रायोगिक दोनों पर प्रशिक्षित है, बेहतर मजबूती (robustness) प्रदान करता है और विशिष्ट लक्ष्यों पर भी विशेष प्रायर से बेहतर प्रदर्शन करता है।
फॉरवर्ड मॉडल मिसमैच का लक्षण वर्णन: लेखक पहचानते हैं कि फॉरवर्ड मॉडल मिसमैच केवल स्ट्राइक आर्टिफ़ेक्ट्स (streak artifacts) ही नहीं पैदा करता, बल्कि स्ट्रक्चरल हॉलुसिनेशन (स्थानिक बदलाव और फीचर विरूपण) का कारण बनता है क्योंकि सॉल्वर भौतिक रूप से असंगत प्रोजेक्शन के साथ फिट होने का प्रयास करता है।
एनेल्ड लाइकलीहुड शेड्यूलिंग (Annealed Likelihood Scheduling): शोध पत्र लाइकलीहुड वेट ( $\gamma$ ) के लिए लीनियर डिके शेड्यूल का प्रस्ताव और सत्यापन करता है। यह रणनीति उच्च-शोर वाले शुरुआती चरणों में वैश्विक ज्यामिति संरेखण को प्राथमिकता देकर और बाद के चरणों में बाधाओं को शिथिल करके (ताकि मॉडल प्रयोगात्मक शोर और आर्टिफ़ेक्ट्स पर ओवरफिट न हो) 'सिम-टू-रियल' गैप को कम करती है।
कंप्यूटेशनल दक्षता: अध्ययन दिखाता है कि एनेल्ड शेड्यूलिंग रणनीति काफी कम सैंपलिंग स्टेप्स (NFE=100) के साथ भी उच्च पुनर्निर्माण गुणवत्ता बनाए रखती है, जिससे डिफ्यूजन-आधारित CT व्यावहारिक अनुप्रयोगों के लिए संभव हो जाता है।

4. मुख्य परिणाम (Key Results)

प्रशिक्षण वितरण का प्रभाव:
- आदर्श सिमुलेशन में, विशेष प्रायर ( $f_{std}$ ) सबसे अच्छा प्रदर्शन करता है।
- प्रयोगात्मक डोमेन में, विशेष प्रायर ( $f_{exp}$ ) ज्यामितीय मिसमैच के कारण संघर्ष करता है।
- चौंकाने वाला निष्कर्ष: मिश्रित प्रायर ( $f_{mix}$ ) ने प्रयोगात्मक सेटिंग्स में विशेष प्रायर की तुलना में लगातार बेहतर प्रदर्शन किया। उच्च-कंट्रास्ट मानक संरचनाओं के संपर्क ने बेहतर एज-लर्निंग सिग्नल प्रदान किए जो लो-कंट्रास्ट प्रायोगिक फैंटम पर प्रभावी रहे, जिससे अवशिष्ट स्ट्रिक्स (residual streaks) कम हुए।
फॉरवर्ड मॉडल मिसमैच का प्रभाव:
- सिमुलेटेड प्रोजेक्शन ( $y_{sim(recon)}$ ) से वास्तविक माप ( $y_{exp}$ ) पर जाने पर प्रदर्शन में भारी गिरावट आई, भले ही रिज़ॉल्यूशन उच्च (512x512) हो।
- इसने पुष्टि की कि भौतिक कारक (बीम हार्डनिंग, स्कैटर) त्रुटि के प्रमुख स्रोत हैं जिन्हें केवल रिज़ॉल्यूशन द्वारा हल नहीं किया जा सकता है।
इन्फरेंस रणनीति (शेड्यूलिंग):
- कॉन्स्टेंट वेटिंग: उच्च स्थिर वजन ( $\gamma=5$ ) सिमुलेशन में अच्छा काम करता था (26.82 dB) लेकिन प्रयोगात्मक डेटा में विनाशकारी विफलता का कारण बना (14.07 dB), जिससे ग्लोबल इंटेंसिटी ड्रिफ्ट और आर्टिफ़ेक्ट्स बढ़ गए।
- लीनियर डिके: एनेल्ड शेड्यूल ( $\gamma_t$ जो 150 से 0 तक घटता है) ने प्रदर्शन को पुनः प्राप्त किया, प्रायोगिक डेटा (24 व्यूज) पर 25.69 dB प्राप्त किया।
- दक्षता: केवल 100 सैंपलिंग स्टेप्स (NFE) के साथ, लीनियर डिके शेड्यूल ने वास्तविक डेटा पर उच्चतम SSIM (0.851) प्राप्त किया, जो साबित करता है कि यदि वेटिंग शेड्यूल अनुकूलित हो तो कम स्टेप्स भी पर्याप्त हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र चिकित्सा और औद्योगिक इमेजिंग में डिफ्यूजन मॉडल के अनुप्रयोग के लिए एक महत्वपूर्ण 'रियलिटी चेक' प्रदान करता है। यह रेखांकित करता है कि सिंथेटिक बेंचमार्क में प्रदर्शन लाभ स्वचालित रूप से प्रयोगात्मक सफलता में अनुवादित नहीं होते हैं।

विशेषता के बजाय मजबूती (Robustness over Specialization): निष्कर्ष बताते हैं कि वास्तविक दुनिया के अनुप्रयोगों के लिए संकीर्ण, पूरी तरह से मेल खाने वाले डेटासेट के बजाय विविध, मिश्रित वितरणों पर प्रशिक्षण लेना अधिक प्रभावी है।
इन्फरेंस ही कुंजी है: वास्तविक सेटिंग्स में डिफ्यूजन-आधारित CT की सफलता काफी हद तक इन्फरेंस रणनीतियों (विशेष रूप से एनेल्ड लाइकलीहुड वेटिंग) पर निर्भर करती है जो अपूर्ण फॉरवर्ड मॉडल और जेनेरेटिव प्रायर के बीच के तनाव को संतुलित करती हैं।
भावी दिशाएँ: लेखक नोट करते हैं कि जबकि 2D फैंटम एक नियंत्रित "बेस्ट-केस" परिदृश्य प्रदान करते हैं, भविष्य के कार्यों को 3D जटिलताओं, अत्यधिक शोर वाले क्षेत्रों और ऐसे मूल्यांकन मेट्रिक्स के विकास को संबोधित करना चाहिए जो PSNR/SSIM से परे धारणात्मक निष्ठा (perceptual fidelity) को बेहतर ढंग से कैप्चर कर सकें।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि सही प्रायर विविधता और सावधानीपूर्वक शेड्यूल्ड इन्फरेंस प्रक्रिया के साथ, डिफ्यूजन मॉडल को स्पार्स-व्यू प्रयोगात्मक CT के लिए पर्याप्त मजबूत बनाया जा सकता है, जो रेडिएशन डोज़ और स्कैन समय को कम करने का एक व्यावहारिक मार्ग प्रदान करता है।