【标题】 英文：FilterDiff: Noise-Free Frequency-Domain Diffusion Models for Accelerated MRI Reconstruction 中文：FilterDiff——用于加速MRI重建的无噪声频域扩散模型 【作者与机构】 Tao Song, Fang Nie, Yi Guo, Feng Xu, Shaoting Zhang 上海交通大学 / 上海人工智能实验室 【发表 Venue 与日期】 MICCAI 2025，2025 年 9 月（大邱，韩国） 开放获取：https://papers.miccai.org/miccai-2025/0335-Paper1256.html 【摘要（中文概括）】 现有基于扩散模型的 MRI 重建方法在反向去噪过程中引入随机性，与 MRI k-空间采集的物理过程相悖，导致重建结果不一致。FilterDiff 提出将扩散过程建模为频率域的渐进式滤波遮蔽操作，使正向过程与 MRI 信号的实际采集物理机制对齐，彻底消除对高斯噪声的依赖。配套设计的 Swin-DiT 网络将 DiT 中的自注意力替换为 Swin-Attention，并移除位置嵌入，有效捕捉频域长程依赖并抑制伪影。在两个公开数据集上，FilterDiff 在分布内和分布外数据上均超越现有方法。 【适用场景】 - 加速 MRI 采集（欠采样 k-空间重建） - 临床扫描时间缩短（心脏、脑部、骨肌系统 MRI） - 对重建一致性要求高的定量 MRI 应用 【主要方法】 - 核心创新：将扩散前向过程定义为 k-空间的渐进式频率滤波遮蔽（而非加噪/去噪） - 网络：Swin-DiTs（DiT + Swin-Attention，移除位置嵌入） - 数据集：两个公开 MRI 重建基准（分布内 + 分布外双重评测）
