物理与 AI for Science
突破级
暂无讲解视频
收录解读
X-ray tomography 在科学和临床场景里都很关键，但图像退化、低剂量采集和数据稀缺一直限制其分析质量。已有 restoration 方法通常围绕特定模态和预设退化建模，泛化性差，导致大量后处理系统只能在窄条件下工作。
HorusEye 的核心新意，是把 restoration 重新定义为直接从数据中学习真实且非参数化的 acquisition degradation process，而不是假设一套固定退化模型。作者使用 interslice contrastive pretraining 和自监督训练，在没有配对监督和先验退化假设的条件下，同时学习结构先验与退化机制，并在超大规模 X-ray 图像上形成 foundation model。
它值得收录，不只是因为效果提升，而是因为它把 tomography restoration 从任务专用模块提升到了通用基础模型接口。论文还把这种恢复能力和更低剂量成像、硬件需求下降、下游 AI 任务增强直接连到了一起，属于很典型的 AI 重塑科研/医疗成像 workflow。
为什么不是更高一级也很明确：它目前仍主要集中在 X-ray tomography 这一大类成像问题上，虽然覆盖面已经很广，但还没有形成更普适的 scientific imaging foundation-model 蓝图。它是很强的 breakthrough，但不是更大的范式重写。