DiffNR: Diffusionsgestützte neuronale Repräsentationsoptimierung für tomografische 3D-Rekonstruktion mit spärlichen Ansichten
DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
April 23, 2026
Autoren: Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng
cs.AI
Zusammenfassung
Neuronale Repräsentationen (NRs), wie neurale Felder und 3D-Gaussians, modellieren Volumendaten in der Computertomographie (CT) effektiv, leiden jedoch unter starken Artefakten bei spärlichen Aufnahmebedingungen. Um dies zu adressieren, schlagen wir DiffNR vor, ein neuartiges Framework, das die NR-Optimierung mit Diffusions-Priors verbessert. Sein Kernstück ist SliceFixer, ein Einzelschritt-Diffusionsmodell, das entwickelt wurde, um Artefakte in degradierten Schichten zu korrigieren. Wir integrieren spezialisierte Konditionierungsebenen in das Netzwerk und entwickeln maßgeschneiderte Datenaufbereitungsstrategien zur Unterstützung des Modell-Finetunings. Während der Rekonstruktion generiert SliceFixer periodisch Pseudo-Referenzvolumen, die eine auxiliaryäre 3D-wahrnehmungsbasierte Überwachung bereitstellen, um unterbestimmte Regionen zu korrigieren. Im Vergleich zu früheren Methoden, die CT-Löser in zeitaufwändige iterative Entrauschung einbetten, vermeidet unsere Reparatur-und-Erweiterungs-Strategie häufige Abfragen des Diffusionsmodells und führt zu einer besseren Laufzeitleistung. Umfangreiche Experimente zeigen, dass DiffNR die PSNR im Durchschnitt um 3,99 dB verbessert, gut über Domänen hinweg generalisiert und eine effiziente Optimierung beibehält.
English
Neural representations (NRs), such as neural fields and 3D Gaussians, effectively model volumetric data in computed tomography (CT) but suffer from severe artifacts under sparse-view settings. To address this, we propose DiffNR, a novel framework that enhances NR optimization with diffusion priors. At its core is SliceFixer, a single-step diffusion model designed to correct artifacts in degraded slices. We integrate specialized conditioning layers into the network and develop tailored data curation strategies to support model finetuning. During reconstruction, SliceFixer periodically generates pseudo-reference volumes, providing auxiliary 3D perceptual supervision to fix underconstrained regions. Compared to prior methods that embed CT solvers into time-consuming iterative denoising, our repair-and-augment strategy avoids frequent diffusion model queries, leading to better runtime performance. Extensive experiments show that DiffNR improves PSNR by 3.99 dB on average, generalizes well across domains, and maintains efficient optimization.