Learned AMDI：用强化学习策略替代固定选择器的自适应多分辨率扩散成像

Learned AMDI 保留 AMDI 固定树传播器与层级约束，用 proximal policy optimization 训练的共享局部策略替换传播后选择器。在九个留出案例中，它执行 393 次细化，将平均终端参考差异从 0.17496 降至 0.13657，占用率从 0.13737 升至 0.26660。该共享 actor 无需重训练即可迁移到 64×64 和 128×128 图像。