DiffNR: Optimización de Representación Neuronal Mejorada con Difusión para la Reconstrucción Tomográfica 3D con Vistas Escasas
DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
April 23, 2026
Autores: Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng
cs.AI
Resumen
Las representaciones neuronales (RN), como los campos neuronales y los gaussianos 3D, modelan eficazmente datos volumétricos en tomografía computarizada (TC), pero sufren de artefactos severos en configuraciones de vistas escasas. Para abordar este problema, proponemos DiffNR, un novedoso marco que mejora la optimización de RN mediante *priors* de difusión. Su componente central es SliceFixer, un modelo de difusión de un solo paso diseñado para corregir artefactos en cortes degradados. Integramos capas de condicionamiento especializadas en la red y desarrollamos estrategias de curación de datos a medida para apoyar el ajuste fino del modelo. Durante la reconstrucción, SliceFixer genera periódicamente volúmenes de pseudo-referencia, proporcionando una supervisión perceptual 3D auxiliar para corregir regiones sub-restringidas. En comparación con métodos anteriores que incorporan solucionadores de TC en un proceso de eliminación de ruido iterativo y lento, nuestra estrategia de reparación y aumento evita consultas frecuentes al modelo de difusión, lo que resulta en un mejor rendimiento en tiempo de ejecución. Experimentos exhaustivos demuestran que DiffNR mejora el PSNR en 3.99 dB de media, se generaliza bien entre dominios y mantiene una optimización eficiente.
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.