DiffNR: スパースビュー3Dトモグラフィック再構成のための拡散強化型ニューラル表現最適化

要旨

ニューラル表現（NR）は、ニューラルフィールドや3Dガウシアンなどの技術により、コンピュータ断層撮影（CT）における体積データを効果的にモデル化するが、スパースビュー設定では深刻なアーティファクトが生じる。この問題に対処するため、我々は拡散事前分布を用いてNRの最適化を強化する新規フレームワーク「DiffNR」を提案する。その中核となるのは、劣化スライスのアーティファクトを補正するように設計された単段階拡散モデル「SliceFixer」である。ネットワークには専用の条件付け層を統合し、モデルのファインチューニングを支援するために調整されたデータキュレーション戦略を開発した。再構成過程では、SliceFixerが擬似参照ボリュームを定期的に生成し、制約不足領域を修正するための補助的な3D知覚的監督を提供する。時間のかかる反復的ノイズ除去にCTソルバーを組み込む従来手法と比較し、我々の修復・拡充戦略は拡散モデルへの頻繁な問い合わせを回避し、優れた実行時性能を実現する。大規模な実験により、DiffNRがPSNRを平均3.99 dB向上させ、ドメイン横断的に良好な汎化性能を示し、効率的な最適化を維持することが実証された。

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.

DiffNR: スパースビュー3Dトモグラフィック再構成のための拡散強化型ニューラル表現最適化

DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction

要旨

Support