본 논문은 역문제 해결을 위한 강력한 생성 사전으로 최근 부상한 확산/점수 기반 모델, 특히 가속화된 MRI 재구성에 초점을 맞추고 있습니다. 이 모델의 유연성은 측정 모델과 학습된 사전을 분리할 수 있게 해주지만, 성능은 신중하게 조정된 데이터 충실도 가중치에 크게 의존하며, 특히 적은 잡음 제거 단계를 가진 빠른 샘플링 일정에서 그 영향이 큽니다. 기존의 접근 방식은 종종 휴리스틱 또는 고정 가중치에 의존하여 다양한 측정 조건과 불규칙한 시간 단계 일정에 일반화하는 데 실패합니다. 본 연구에서는 확산 사전의 재훈련 없이 임의의 잡음 일정에서 충실도 가중치를 적응적으로 조정하는 테스트 시간 최적화 방법인 Zero-shot Adaptive Diffusion Sampling (ZADS)를 제안합니다. ZADS는 잡음 제거 과정을 고정된 언롤링된 샘플러로 취급하고 부족 샘플링된 측정값만을 사용하여 자기 지도 방식으로 충실도 가중치를 최적화합니다. fastMRI 무릎 데이터 세트에 대한 실험은 ZADS가 기존의 압축 감지 및 최근 확산 기반 방법을 일관되게 능가하며, 다양한 잡음 일정 및 획득 설정에서 고충실도 재구성을 제공하는 능력을 보여줍니다.
