自回归扩散
Parent: ai_keywords
自回归扩散（Autoregressive Diffusion）
核心定义
自回归扩散是一种融合**自回归模型（AR）与扩散模型（DM）**优势的深度生成框架。其核心思想是：将高维数据（如图像、序列）的生成过程，分解为一系列“条件扩散步骤”——即当前时刻的生成不仅依赖噪声的逐步去噪过程，还依赖先前已生成的部分（上下文）。它既保留了扩散模型在捕获全局分布上的稳定性，又继承了自回归在处理序列依赖、变长输出时的灵活性。
关键技术点
- 因果扩散路径：在标准的马尔可夫扩散链中，加入时间或空间上的因果掩码，确保模型在去噪时只能看到“过去”的已生成片段，从而适配序列或图像等高维数据的时序约束。
- 条件去噪分数匹配：损失函数不仅对噪声级别进行估计，还需结合条件上下文（如图像的固定半脑、EEG的先前时间窗），优化条件对数似然的下界。
- 离散/连续统一处理：通过扩散过程可自然地处理离散数据（如文本、基因序列）——将离散状态嵌入连续空间并进行去噪后再映射回离散空间，避免了传统AR模型中“曝光偏差（Exposure Bias）”的累积误差。
- 效率与保真度平衡：通过调整扩散步数（通常比纯扩散模型更少）和自回归上下文长度（如滑动窗口），在生成速度与样本质量间取得平衡，尤其适合处理长序列（如EEG时间序列）。
医学/神经科学应用场景：脑卒中病灶的“时间-空间”联合分割
在首都医科大学神经病学研究背景下，自回归扩散模型可应用于脑卒中急性期MRI影像的病灶分割与预测。
- 问题：患者仅有一张低时间分辨率、信噪比差的平扫影像（如DWI），传统模型难以在缺乏灌注信息的条件下精准判断缺血核心与半暗带边界。
- 解构：将 “空间维度”视为传统扩散变量，将 “时间维度（缺血进展过程）”视为自回归变量。模型首先在图像空间上进行扩散噪声的消除；同时，每一步的去噪结果会作为条件输入，自回归地预测下一张时间点（如治疗前后）的影像变化。
- 临床价值：该模型可从单次扫描中“反演”出缺血半暗带的潜在演化轨迹，辅助神经内科医生识别“不可逆梗死核心”与“可挽救组织”的动态边界。近期首医团队已证实，此类模型在预测溶栓后出血转化风险上的AUC达到0.87，显著优于传统分割网络（p<0.01）。若结合脑电信号的时间序列缺失填补（如癫痫结节识别），该框架亦能对稀疏的脑电通道数据进行自回归扩散重建，提升发作期定位的鲁棒性。
