DiffNR: Ottimizzazione della Rappresentazione Neurale con Diffusione per la Ricostruzione Tomografica 3D a Vista Sparsa
DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
April 23, 2026
Autori: Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng
cs.AI
Abstract
Le rappresentazioni neurali (NR), come i campi neurali e i Gaussian 3D, modellano efficacemente i dati volumetrici nella tomografia computerizzata (TC) ma soffrono di severi artefatti in condizioni di acquisizione sparse. Per affrontare questo problema, proponiamo DiffNR, un nuovo framework che migliora l'ottimizzazione delle NR mediante prior di diffusione. Il suo elemento centrale è SliceFixer, un modello di diffusione a singolo passo progettato per correggere gli artefatti in sezioni degradate. Integriamo strati di condizionamento specializzati nella rete e sviluppiamo strategie mirate di preparazione dei dati per supportare il fine-tuning del modello. Durante la ricostruzione, SliceFixer genera periodicamente volumi pseudo-riferimento, fornendo una supervisione percettiva 3D ausiliaria per correggere le regioni sottovincolate. Rispetto ai metodi precedenti che incorporano risolutori TC in un dispendioso processo iterativo di denoising, la nostra strategia di riparazione e aumento evita frequenti interrogazioni del modello di diffusione, portando a migliori prestazioni temporali. Esperimenti estensivi dimostrano che DiffNR migliora il PSNR di 3.99 dB in media, si generalizza bene tra diversi domini e mantiene un'ottimizzazione efficiente.
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.