DiffNR : Optimisation de représentation neuronale améliorée par diffusion pour la reconstruction tomographique 3D à vues éparses
DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
April 23, 2026
Auteurs: Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng
cs.AI
Résumé
Les représentations neuronales (RN), telles que les champs neuronaux et les Gaussiennes 3D, modélisent efficacement les données volumiques en tomodensitométrie (TDM) mais souffrent d'artefacts prononcés dans des configurations à vues éparses. Pour résoudre ce problème, nous proposons DiffNR, une nouvelle architecture qui améliore l'optimisation des RN grâce à des préalables de diffusion. Son élément central est SliceFixer, un modèle de diffusion à une étape conçu pour corriger les artefacts dans les coupes dégradées. Nous intégrons des couches de conditionnement spécialisées dans le réseau et développons des stratégies de curation de données sur mesure pour supporter le réglage fin du modèle. Pendant la reconstruction, SliceFixer génère périodiquement des volumes de référence pseudo, fournissant une supervision perceptuelle 3D auxiliaire pour corriger les régions sous-contraintes. Par rapport aux méthodes antérieures qui intègrent des solveurs TDM dans un débruitage itératif long, notre stratégie de réparation et d'augmentation évite les requêtes fréquentes au modèle de diffusion, conduisant à de meilleures performances en temps d'exécution. Des expériences approfondies montrent que DiffNR améliore le PSNR de 3,99 dB en moyenne, généralise bien entre les domaines et maintient une optimisation efficace.
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.