扩散概率模型（DPM）在当前的图像生成任务中取得了无与伦比的成果，最近的一些研究工作将其应用于多个计算机视觉任务中，如图像超分辨率、物体检测等。得益于 DPM 生成细粒度细节的卓越能力，这些研究工作取得了显著的成果。在本文中，提出了一种新的基于 DPM 的生成式医学图像分割方法。首先通过挖掘频率域和空间域的语义分布模式，构建一个具有方向监督能力的显式-隐式聚合先验知识。然后，利用一种新颖的无监督先验知识归纳策略，将显式-隐式聚合先验知识整合到去噪骨干网络的不同编码阶段，从而引导模型从随机推理过程中定向生成感兴趣区域的分割掩膜。
Poposed EIDiffSeg architecture
拟议的 EIDiffuSeg 是基于扩散概率模型（DPM）设计的，该模型由一个遵循马尔可夫参数化的前向扩散过程和一个后向推理过程组成。如图 1(A)所示，在前向扩散过程中，分割掩码 x0 经过 n 次噪声添加操作得到 xN。所有添加的噪声都是高斯噪声。在后向推理过程中，xN 通过构建的神经网络模型逐步去噪，从而恢复原始数据。前向扩散过程如下所示：
