Awesome Computed Tomography
经过核验的 CT 重建研究精选列表。每篇论文的链接都经 Crossref、arXiv 或出版方自身记录核验，所有链接每周自动复查。
- 论文
- 678
- 工具包
- 60
- 数据集
- 82
- 基准与挑战赛
- 22
- 学习资源
- 35
- 更新于
- 2026-10-30
CT 重建研究团队
25 个从事 CT 重建研究的课题组，注明所属机构、负责人、研究方向，以及本目录收录的其工作。
本库所收录论文、工具与数据的研究团队。每张卡片给出实验室主页，以及该团队已被本库收录的代表作。
北美
-
WANG-AXIS Lab / Biomedical Imaging Center (BIC) WANG-AXIS 实验室 / 生物医学成像中心
伦斯勒理工学院的 WANG-AXIS 实验室与生物医学成像中心（BIC）由 Ge Wang 领导，研究方向涵盖 X 射线 CT 成像理论、系统与重建。该团队早期的工作 包括螺旋锥束 CT 重建与内层析成像（interior tomography），近年的工作将 深度学习应用于断层重建，其中包括 FORCE 框架（2025），该框架将泊松流 （Poisson flow）生成先验与数据保真相结合，用于低剂量、稀疏视角和金属 伪影条件下的重建。该中心还运行包括光子计数（MARS）光谱显微 CT 扫描仪 和基于光栅的 X 射线相位衬度成像平台在内的 CT 实验设备。
本库收录： Tomographic Foundation Model—FORCE: Flow-Oriented Reconstruction Conditioning Engine
Code in the lab's GitHub organization (github.com/WANG-AXIS): FORCE, RDDM (low-dose CT denoising), LEARN (sparse-data CT reconstruction network), M3FM.
-
X-ray Tomographic Imaging Group X 射线断层成像课题组
芝加哥大学放射学系的 X 射线断层成像课题组由 Xiaochuan Pan 与 Emil Y. Sidky 领导，为临床、临床前、安检和同步辐射 CT 开发重建算法与 成像系统。该团队以约束总变分（TV）最小化重建著称——即 Sidky 与 Pan 于 2008 年提出的 ASD-POCS 算法：它在满足数据约束的条件下最小化图像的 总变分，可从稀疏或有限角度数据重建锥束 CT 图像。该团队近年的工作包括 方向性 TV 算法、一步法光谱 CT 重建，以及截断投影数据的重建。
本库收录： Image reconstruction in circular cone-beam computed tomography by constrained, total-variation minimization · leehoy/CTReconstruction
CTReconstruction (GitHub: leehoy/CTReconstruction) — reconstruction code associated with the group.
-
I-STAR Lab (Imaging for Surgery, Therapy, and Radiology) I-STAR 实验室
约翰斯·霍普金斯大学的 I-STAR 实验室（手术、治疗与放射成像实验室）由 Jeffrey Siewerdsen、J. Webster Stayman 与 Wojciech Zbijewski 领导， 研究面向图像引导介入的锥束 CT（CBCT）系统与三维重建。其研究包括惩罚 似然（基于模型的）重建、用于在植入物等已知物体存在时成像的已知组件 重建（known-component reconstruction），以及对 X 射线散射、探测器迟滞 和系统几何等物理效应的建模。该实验室成员的早期工作量化了平板探测器 CBCT 中 X 射线散射的强度与影响（Siewerdsen 与 Jaffray，2001），以及 锥束显微 CT 中基于蒙特卡罗的散射校正（Zbijewski 与 Beekman，2006）。
本库收录： Cone-Beam Computed Tomography with a Flat-Panel Imager: Magnitude and Effects of X-Ray Scatter · Efficient Monte Carlo Based Scatter Artifact Reduction in Cone-Beam Micro-CT
The lab site (istar.jhu.edu) maintains a Downloads section for lab software and data; no single flagship public toolkit was identified.
-
Fessler Group Fessler 课题组
密歇根大学 Jeffrey Fessler 的课题组研究统计（基于模型的）图像重建 及其背后的优化算法，应用对象包括 CT、PET、SPECT 与 MRI。Fessler 与 Rogers（1996）分析了空间不变断层成像中惩罚似然重建的空间分辨率特性， 这项工作是后续设计具有可控分辨率特性的正则化方法的基础。该课题组维护 着密歇根图像重建工具箱（MIRT），提供 MATLAB 与 Julia（MIRT.jl）两个 版本，以及基于 PyTorch 的可微重建工具箱 MIRTorch。
本库收录： Spatial resolution properties of penalized-likelihood image reconstruction: space-invariant tomographs · MIRT · MIRTorch
MIRT — Michigan Image Reconstruction Toolbox (MATLAB; Julia port MIRT.jl under active development). MIRTorch — PyTorch-based differentiable reconstruction toolbox (PyPI: MIRTorch).
-
CT Clinical Innovation Center CT 临床创新中心
梅奥诊所的 CT 临床创新中心成立于 2004 年，负责开发和评估新的 CT 技术、 临床应用与剂量降低技术，核心成员包括 Cynthia McCollough 与 Lifeng Yu。 其工作涵盖双能与多能量 CT 以及光子计数探测器 CT，McCollough 等人 （2015）对该领域作过综述。该中心还为 CT 研究界建立了公开数据资源： 2016 年 AAPM 低剂量 CT 大挑战赛（Low-Dose CT Grand Challenge），以及 托管于癌症影像档案库（TCIA）的低剂量 CT 图像与投影数据集 （LDCT-and-Projection-data），该数据集提供 299 例头、胸、腹患者检查的 常规剂量与模拟低剂量投影数据及全剂量图像。
本库收录： Dual- and Multi-Energy CT: Principles, Technical Approaches, and Clinical Applications · LDCT-and-Projection-data · AAPM Low-Dose CT Grand Challenge
LDCT-and-Projection-data library (TCIA) — 299 patient exams with routine-dose and simulated low-dose projection data. DICOM-CT-PD — open, vendor-neutral data format for CT projection data developed by the center.
-
CT Research Group (UW CT Lab) UW CT 实验室
威斯康星大学麦迪逊分校 Guang-Hong Chen 的 CT 研究组从事低剂量与欠采样 CT 的重建方法研究。Chen 提出了先验图像约束压缩感知（PICCS）方法，利用 一幅先验图像作为约束，从高度欠采样的投影数据重建动态 CT 图像；PICCS 已被应用于心脏成像、灌注成像、双能 CT 与 C 臂 CT。该组还从事能谱与 光子计数探测器 CT 研究；威斯康星大学麦迪逊分校是 GE 医疗硅基光子计数 CT 系统在美国的首个临床评估站点，并于 2022 年 11 月完成首批人体扫描。
本库收录： Prior Image Constrained Compressed Sensing (PICCS): A Method to Accurately Reconstruct Dynamic CT Images from Highly Undersampled Projection Data Sets · Accurate and robust sparse-view angle CT image reconstruction using deep learning and prior image constrained compressed sensing (DL-PICCS)
-
Bouman Group Bouman 课题组
普渡大学 Charles Bouman 课题组从事 X 射线 CT 的基于模型的迭代重建 （MBIR）研究，将重建表述为带有显式前向模型和马尔可夫随机场先验的统计 估计问题。该组 20 世纪 90 年代与 Ken Sauer（圣母大学）合作的 MBIR 统计重建工作，后来被 GE 医疗商业化为用于低剂量临床 CT 的 Veo MBIR 产品。该组维护开源软件 SVMBIR——一个面向平行束与扇束 CT 的 MBIR 实现，并已将基于模型的方法扩展到分布式与多节点重建。
本库收录： A generalized Gaussian image model for edge-preserving MAP estimation · A local update strategy for iterative reconstruction from projections · svmbir
SVMBIR (GitHub: cabouman/svmbir) — supervised MBIR for parallel/fan-beam CT.
-
LEAP Project, Lawrence Livermore National Laboratory 劳伦斯利弗莫尔国家实验室 LEAP 项目
劳伦斯利弗莫尔国家实验室的 LEAP 项目提供一套三维透射 CT 算法库，包含 预处理、正投影/反投影算子以及解析（FBP/FDK）与迭代重建算法，提供 Python 与 C++ 接口，并带有 PyTorch 绑定，使投影算子可微、可嵌入深度 学习流程。投影算子支持多种几何，并在多 GPU 与多核 CPU 硬件上运行， 面向工业与实验室 CT。基于物理的建模与校正（散射、束硬化、双能分解） 由配套软件 XrayPhysics 提供——一个带 Python 绑定的 C/C++ 库，用于 X 射线截面与源谱建模。
本库收录： LEAP · XrayPhysics
LEAP — LivermorE AI Projector for Computed Tomography (GitHub: LLNL/LEAP). XrayPhysics (GitHub: kylechampley/XrayPhysics) — cross sections, spectra modeling, multi-material beam-hardening correction, dual-energy decomposition.
-
APS Tomography Group 先进光子源断层成像团队
阿贡国家实验室先进光子源的断层成像团队开发同步辐射微米与纳米断层 成像光束线所使用的重建与数据处理软件。其软件成果包括 TomoPy——一个 用于同步辐射断层数据预处理与重建的 Python 框架（Gürsoy、De Carlo 等， 2014），以及 TomocuPy——Viktor Nikitin 开发的以并发分块方式重建数据的 GPU 流水线。该团队还维护 TomoBank，一个收录实验与模拟断层数据集及 其描述信息的仓库，供研究者在共享的光束线数据上开发和比较重建方法。
TomoPy (GitHub: tomopy/tomopy) — tomographic reconstruction in Python. TomocuPy — GPU-accelerated reconstruction pipeline (Nikitin, Journal of Synchrotron Radiation, 2023). TomoBank — open repository of synchrotron tomography datasets.
-
Lei Xing's group, Medical Physics Division 斯坦福大学 Lei Xing 课题组（医学物理部）
Lei Xing 主持斯坦福大学放射肿瘤学系医学物理部，其课题组研究面向放射 治疗的人工智能与成像。其 CT 重建工作包括由单个投影视角重建患者特异的 容积图像（Nature Biomedical Engineering，2019）、用于稀疏采样的带先验 嵌入的隐式神经表示（NeRP、PINER）、压缩感知与四维锥束 CT、低剂量网络 TransCT，以及基于深度学习的金属伪影校正。
本库收录： Patient-specific reconstruction of volumetric computed tomography images from a single projection view via deep learning · NeRP: Implicit Neural Representation Learning With Prior Embedding for Sparsely Sampled Image Reconstruction · PINER: Prior-Informed Implicit Neural Representation Learning for Test-Time Adaptation in Sparse-View CT Reconstruction · TransCT: Dual-Path Transformer for Low Dose Computed Tomography · Deep Sinogram Completion With Image Prior for Metal Artifact Reduction in CT Images · Metal artifact reduction in 2D CT images with self-supervised cross-domain learning · Compressed sensing based cone-beam computed tomography reconstruction with a first-order method · 4D Cone Beam CT via Spatiotemporal Tensor Framelet
-
Imaging and Informatics Lab (CT Lab) 麻省大学洛厄尔分校成像与信息学实验室（Hengyong Yu）
麻省大学洛厄尔分校电气与计算机工程系的成像与信息学实验室由 Hengyong Yu 主持，研究计算机断层成像与医学图像处理，从基于压缩感知的内部重建 到基于机器学习的层析成像。其收录于本目录的论文包括基于 CNN 的金属伪影 校正（CNN-MAR，IEEE TMI 2018）、用于低剂量 CT 的 Transformer 去噪网络 CTformer、对抗式重建（CLEAR）、用于动态与能谱 CT 的张量方法，以及有限角 心脏 CT。
本库收录： Convolutional Neural Network Based Metal Artifact Reduction in X-Ray Computed Tomography · CTformer: Convolution-Free Token2Token Dilated Vision Transformer for Low-Dose CT Denoising · CLEAR: Comprehensive Learning Enabled Adversarial Reconstruction for Subtle Structure Enhanced Low-Dose CT Imaging · Tensor-based dictionary learning for dynamic tomographic reconstruction · Non-Local Low-Rank Cube-Based Tensor Factorization for Spectral CT Reconstruction · Hybrid U-Net and Swin-transformer network for limited-angle cardiac computed tomography
欧洲
-
Pattern Recognition Lab (LME) 模式识别实验室
埃尔朗根-纽伦堡大学（FAU）模式识别实验室自 2015 年起由 Andreas Maier 担任负责人，将机器学习应用于医学成像，其 CT 研究主线是"已知算子" （known operator）方法——把投影与重建的物理过程作为可微层嵌入神经 网络。其软件成果包括 PYRO-NN，一个面向平行束、扇束与锥束几何的可微 CT 算子库，以及 diffct，一个 CUDA 加速的可微 CT 库，其后续版本支持 非圆与任意采集轨迹。德国研究联合会（DFG）资助的项目 "Deep-Learning-basierte CBCT-Rekonstruktion beliebiger Trajektorien" （周期 36 个月，经费 324,459 欧元，2025 年 9 月公布）与代根多夫应用 技术大学及斯坦福大学合作，开发面向任意轨迹的基于深度学习的 CBCT 重建方法，并使用 FAU 区域计算中心（RRZE）的算力设施。
diffct (GitHub: sypsyp97/diffct) — CUDA-accelerated differentiable CT library. PYRO-NN (GitHub: csyben/PYRO-NN) — differentiable CT reconstruction operators with PyTorch support and native CUDA kernels.
-
Computational Image Analysis (CIA) Group 剑桥大学计算图像分析组
剑桥大学计算图像分析组从事数学成像与反问题研究，其 CT 方向致力于 弥合数学方法进展与临床落地之间的鸿沟。研究涵盖数据驱动重建方法 （包括迭代展开方法、学习正则项、即插即用方法），以及变分正则化、 Krylov 子空间求解器和四维成像。团队开发了开源软件包 LION（Learned Iterative Optimization Networks），收录后处理、展开、学习正则项、 即插即用与自监督 CT 重建方法，并提供可复现的训练流程与 CT 数据集。
本库收录： LION
LION (Learned Iterative Optimization Networks) — data-driven CT reconstruction methods with reproducible training pipelines; the group also co-maintains the TIGRE toolbox for cone-beam reconstruction.
-
Computational Imaging Group 阿姆斯特丹 CWI 计算成像组
CWI 计算成像组开发以数学与算法驱动的三维成像方法，服务于科学、医学 与工业，结合先进采集、参数估计与离散层析成像，包括通过 RECAST3D 实现实时重建，以及 FleX-ray 实验室将定制 CT 扫描仪与先进处理和 AI 算法相连。该组与安特卫普大学联合开发了 ASTRA Toolbox——面向二维与 三维层析成像的高性能 GPU 基元 MATLAB/Python 平台，被科研人员、工业 伙伴及大型同步辐射装置（ESRF、APS）采用；还开发了其 Python 封装 tomosipo，用于复杂几何的三维层析，旨在把快速 GPU 计算与主流深度 学习工具结合。
本库收录： ASTRA Toolbox · tomosipo · FleX-ray Walnut CBCT Collection (CWI)
ASTRA Toolbox (astra-toolbox.com) and tomosipo; RECAST3D for real-time visualization of tomographic imaging.
-
imec-Vision Lab (ASTRA Group) 安特卫普大学 imec 视觉实验室（ASTRA 组）
imec 视觉实验室下属的 ASTRA 研究组面向电子、X 射线、中子与磁共振 成像开发层析重建算法，聚焦跨应用领域的通用重建问题。核心方向包括 相衬 X 射线 CT、非标准采集几何的 X 射线层析（例如层析合成 laminography、体层合成 tomosynthesis）、动态（4D）层析与离散层析。 该组与 CWI 计算成像组联合开发了 ASTRA Toolbox——开源 GPU 加速的 层析重建方法研发平台。
本库收录： ASTRA Toolbox
ASTRA Toolbox (developed jointly with CWI); DART-related discrete tomography methods.
-
Mathematical Imaging Group (Ozan Öktem) 瑞典皇家理工学院 Öktem 课题组
Öktem 在 KTH 的研究将反问题、凸优化与机器学习结合用于医学成像， 方向之一是学习式迭代（展开）重建方法。他与 Jonas Adler 提出了 Learned Primal-Dual 重建方法（IEEE T-MI 2018），并开发了反问题 Python 库 ODL（Operator Discretization Library），提供正向算子、几何 与解析方法，被后续众多 CT 重建研究采用。learned_gradient_tomography 代码库实现了早期的迭代深度网络工作（Adler & Öktem，《用迭代深度神经 网络求解不适定反问题》，Inverse Problems 2017）。
本库收录： ODL · Learned Primal-Dual · Learned Gradient Tomography
ODL (odlgroup/odl) — operator discretization library for inverse problems; learned primal-dual and learned gradient tomography implementations.
-
CREATIS Tomographic Reconstruction Group 里昂 CREATIS 层析重建组
Simon Rit 在 CREATIS 的团队从事层析重建研究，聚焦放疗图像引导的锥束 CT，包括正则化与稀疏（压缩感知）CT 方法，以及针对心脏与呼吸运动的 运动补偿 X 射线 CT（其方法已转移到荷兰的临床方案）。团队开发了开源 锥束 CT 重建工具包 RTK（openrtk.org），基于 ITK 构建、采用 Plastimatch 的 GPU 代码，按 Apache 2.0 许可发布，既提供 C++ 类与命令行工具，也 通过 PyPI 发布 Python 包（itkrtk）。RTK 支持 Elekta、Varian 与 IBA 扫描仪输入、CPU/GPU 的 Feldkamp-David-Kress 重建、4D ROOSTER 等四维 算法，以及诊断 CT 扫描仪的柱面探测器几何。
本库收录： RTK
RTK (Reconstruction Toolkit; GitHub: RTKConsortium/RTK, PyPI: itkrtk) — open-source cone-beam CT reconstruction toolkit built on ITK.
-
Tomographic Imaging / Core Imaging Library (CIL) Group
英国科学与技术设施委员会（STFC）的层析成像团队与曼彻斯特大学等伙伴 通过层析计算成像协作计算项目（CCPi）合作，开发用于层析图像重建的 开源软件。其核心成像库（CIL）是一个 Python 框架，用于对滤波反投影 不足以处理的数据进行迭代正则化重建，这类数据包括带噪、不完整、非 标准几何或多通道（动态与能谱）数据。该团队还研究协同成像，将层析 成像与其他模态和数据源结合进行联合重建。
本库收录： Core Imaging Library (CIL) · CCPi Regularisation Toolkit · TomoPhantom
Core Imaging Library (CIL) — open-source Python reconstruction framework (GitHub: TomographicImaging/CIL), Apache-2.0. CCPi Regularisation Toolkit. TomoPhantom — 2D–4D analytical phantoms for reconstruction benchmarking.
亚洲
-
BISPL (Bio Imaging & Signal Processing Lab)
韩国科学技术院（KAIST）的生物成像与信号处理实验室（BISPL）由 Jong Chul Ye 教授领导，研究面向生物医学成像的信号处理与机器学习 方法。其核心研究方向之一是将扩散模型与基于分数的生成模型用作先验 来求解成像逆问题，包括稀疏视角与有限角 CT；其 DiffusionMBIR 方法将 预训练的二维扩散模型与基于模型的迭代重建相结合，并沿层间方向施加 全变分先验，用于求解稀疏视角和有限角层析等三维重建问题。
本库收录： Solving 3D Inverse Problems Using Pre-Trained 2D Diffusion Models
-
CT Imaging Group, Department of Engineering Physics 清华大学工程物理系 CT 成像组
清华大学工程物理系 CT 成像组由邢宇翔、张丽两位教师带领，研究 X 射线 CT 成像系统与图像重建方法。研究内容包括层析重建算法、光子计数与 能谱（多能）CT，以及以射线源阵列替代机架旋转的固定式多源 CT 系统 设计。该组依托系内的粒子技术与辐射成像教育部重点实验室开展工作。
-
CT Reconstruction Groups (Chen / Luo) 东南大学 CT 重建组（陈阳 / 罗守华）
本条目涵盖东南大学位于南京的两个 CT 重建研究组：计算机科学与工程 学院（影像科学与技术实验室）的陈阳教授组，以及生物科学与医学工程 学院的罗守华教授组。他们的研究面向低剂量 CT 重建，以及稀疏视角、 有限角等非理想测量条件下的图像增强。2026 年，由计算机学院团队主导 的 TAMP 发表于 Nature Communications，该工作是一个在物理仿真数据上 预训练、用于非理想测量 CT 通用增强的成像基础模型。
本库收录： Imaging foundation model for universal enhancement of non-ideal measurement CT
TAMP model code (announced in the paper for release at github.com/YutingHelist/TAMP); SimNICT — the physics-simulated pre-training dataset built for TAMP (announced via Hugging Face, YutingHelist/SimNICT).
-
XMed Lab XMed 实验室
香港科技大学 XMed 实验室由电子与计算机工程学系的李小萌领导，研究 医学人工智能与计算机视觉。其 DeepSparse 模型（IEEE Transactions on Medical Imaging，2026）是一个用于稀疏视角锥束 CT 重建的基础模型，在 大规模腹部 CT 数据集（AtlasAbdomenMini，约 7k 个体数据）上预训练， 并可用少量标注样本微调到不同解剖部位。
本库收录： DeepSparse: A Foundation Model for Sparse-View CBCT Reconstruction
DeepSparse code (GitHub: xmed-lab/DeepSparse); pretrained and fine-tuned model weights released on Hugging Face.
-
MIAH Lab 复旦大学 MIAH 实验室（单洪明）
复旦大学类脑智能科学与技术研究院的 MIAH 实验室由单洪明领导，研究面向 医学影像的机器学习，侧重生成式人工智能与图像重建。其 CT 工作以低剂量 CT 为中心：单洪明早年与 Ge Wang 课题组合作的 MAP-NN（Nature Machine Intelligence，2019）和三维 CPCE 网络，之后在复旦发展为基于扩散模型的 去噪，如 CoreDiff（IEEE TMI，2024）与 FoundDiff。课题组还研究稀疏视角 与不完整视角重建（FreeSeed、GloReDi、ProCT）以及金属伪影校正（Quad-Net）。
本库收录： CoreDiff: Contextual Error-Modulated Generalized Diffusion Model for Low-Dose CT Denoising and Generalization · FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising · FreeSeed: Frequency-Band-Aware and Self-Guided Network for Sparse-View CT Reconstruction · Learning to Distill Global Representation for Sparse-View CT · Universal Pre-training for Generalizable Incomplete-View CT Reconstruction · Quad-Net: Quad-Domain Network for CT Metal Artifact Reduction · ASCON: Anatomy-Aware Supervised Contrastive Learning Framework for Low-Dose CT Denoising · DU-GAN: Generative Adversarial Networks with Dual-Domain U-Net Based Discriminators for Low-Dose CT Denoising · Competitive performance of a modularized deep neural network compared to commercial algorithms for low-dose CT image reconstruction · 3D Convolutional Encoder-Decoder Network for Low-Dose CT via Transfer Learning from a 2D Trained Network
-
Deep Imaging Group (DIG) 四川大学深度成像课题组（张意）
深度成像课题组（DIG）由四川大学网络空间安全学院的张意教授领导，研究 基于深度学习的医学图像处理。其 CT 重建工作涵盖低剂量 CT（MAGIC，IEEE TMI 2021）、跨扫描几何的重建（PDF）、金属伪影校正（DAN-Net、IDOL-Net、 SemiMAR）、基于展开网络的稀疏视角与能谱 CT（RegFormer、SOUL-Net），以及 一篇 2024 年关于不完整投影数据深度学习 CT 重建的综述。
本库收录： MAGIC: Manifold and graph integrative convolutional network for low-dose CT reconstruction · CT Reconstruction With PDF: Parameter-Dependent Framework for Data From Multiple Geometries and Dose Levels · Dual-Domain Adaptive-Scaling Non-Local Network for CT Metal Artifact Reduction · IDOL-Net: An Interactive Dual-Domain Parallel Network for CT Metal Artifact Reduction · SemiMAR: Semi-Supervised Learning for CT Metal Artifact Reduction · RegFormer: A Local–Nonlocal Regularization-Based Model for Sparse-View CT Reconstruction · SOUL-Net: A Sparse and Low-Rank Unrolling Network for Spectral CT Image Reconstruction · A Review of Deep Learning CT Reconstruction From Incomplete Projection Data
-
Imaging and Visual Representation Laboratory 南昌大学成像与视觉表示实验室（刘且根）
刘且根领导的南昌大学信息工程学院成像与视觉表示实验室，研究 MRI 与 CT 图像重建中的生成模型。其 CT 论文使用学习得到的先验与分数先验：用于低剂量 CT 的深度梯度先验（EASEL，IEEE TRPMS 2022）、用于稀疏视角 CT 的去噪自编码 先验（REDAEP）、正弦图域生成建模（IEEE TRPMS 2024），以及用于稀疏视角 CT 的小波细化扩散模型（SWORD，IEEE TMI 2024）。
本库收录： Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of Generative Model · REDAEP: Robust and Enhanced Denoising Autoencoding Prior for Sparse-View CT Reconstruction · Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction · Stage-by-Stage Wavelet Optimization Refinement Diffusion Model for Sparse-View CT Reconstruction · Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary Tomography