DM4CT: Benchmarking von Diffusionsmodellen für die Computertomographie-Rekonstruktion
DM4CT: Benchmarking Diffusion Models for Computed Tomography Reconstruction
February 20, 2026
papers.authors: Jiayang Shi, Daniel M. Pelt, K. Joost Batenburg
cs.AI
papers.abstract
Diffusionsmodelle haben sich kürzlich als leistungsstarke Priors für die Lösung inverser Probleme erwiesen. Obwohl die Computertomographie (CT) theoretisch ein lineares inverses Problem darstellt, birgt sie viele praktische Herausforderungen. Dazu gehören korrelierte Rauschen, Artefaktstrukturen, Abhängigkeit von der Systemgeometrie und fehlausgerichtete Wertebereiche, was die direkte Anwendung von Diffusionsmodellen schwieriger macht als in Bereichen wie der natürlichen Bildgenerierung. Um systematisch zu evaluieren, wie sich Diffusionsmodelle in diesem Kontext verhalten und sie mit etablierten Rekonstruktionsmethoden zu vergleichen, führen wir DM4CT ein, einen umfassenden Benchmark für die CT-Rekonstruktion. DM4CT umfasst Datensätze aus medizinischen und industriellen Bereichen mit Sparse-View- und verrauschten Konfigurationen. Um die Herausforderungen des praktischen Einsatzes von Diffusionsmodellen zu untersuchen, erfassen wir zusätzlich einen hochauflösenden CT-Datensatz an einer hochenergetischen Synchrotron-Einrichtung und evaluieren alle Methoden unter realen experimentellen Bedingungen. Wir benchmarken zehn neuere diffusionsbasierte Methoden zusammen mit sieben starken Baseline-Methoden, darunter modellbasierte, unüberwachte und überwachte Ansätze. Unsere Analyse liefert detaillierte Einblicke in das Verhalten, die Stärken und die Grenzen von Diffusionsmodellen für die CT-Rekonstruktion. Der Realwelt-Datensatz ist öffentlich unter zenodo.org/records/15420527 verfügbar, und die Codebasis ist unter github.com/DM4CT/DM4CT quelloffen.
English
Diffusion models have recently emerged as powerful priors for solving inverse problems. While computed tomography (CT) is theoretically a linear inverse problem, it poses many practical challenges. These include correlated noise, artifact structures, reliance on system geometry, and misaligned value ranges, which make the direct application of diffusion models more difficult than in domains like natural image generation. To systematically evaluate how diffusion models perform in this context and compare them with established reconstruction methods, we introduce DM4CT, a comprehensive benchmark for CT reconstruction. DM4CT includes datasets from both medical and industrial domains with sparse-view and noisy configurations. To explore the challenges of deploying diffusion models in practice, we additionally acquire a high-resolution CT dataset at a high-energy synchrotron facility and evaluate all methods under real experimental conditions. We benchmark ten recent diffusion-based methods alongside seven strong baselines, including model-based, unsupervised, and supervised approaches. Our analysis provides detailed insights into the behavior, strengths, and limitations of diffusion models for CT reconstruction. The real-world dataset is publicly available at zenodo.org/records/15420527, and the codebase is open-sourced at github.com/DM4CT/DM4CT.