DiffNR: Diffusie-verbeterde neurale representatie-optimalisatie voor 3D tomografische reconstructie met beperkte hoeken

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

Samenvatting

Neuronale representaties (NR's), zoals neurale velden en 3D Gaussians, modelleren volumetrische data in computertomografie (CT) effectief, maar vertonen ernstige artefacten onder sparse-view condities. Om dit aan te pakken, stellen we DiffNR voor, een nieuw raamwerk dat NR-optimalisatie versterkt met diffusie-priors. De kern hiervan is SliceFixer, een diffusiemodel met één stap dat is ontworpen om artefacten in gedegradeerde slices te corrigeren. We integreren gespecialiseerde conditioneringslagen in het netwerk en ontwikkelen op maat gemaakte data-curatiestrategieën om model-finetuning te ondersteunen. Tijdens de reconstructie genereert SliceFixer periodiek pseudo-referentievolumes, die voor aanvullende 3D-perceptuele supervisie zorgen om onderbepaalde regio's te herstellen. In vergelijking met eerdere methoden die CT-oplossers inbrengen in tijdrovende iteratieve denoising, vermijdt onze reparatie-en-augmentatie-strategie frequente queries naar het diffusiemodel, wat leidt tot betere runtime-prestaties. Uitgebreide experimenten tonen aan dat DiffNR de PSNR gemiddeld met 3.99 dB verbetert, goed generaliseert over domeinen en efficiënte optimalisatie behoudt.

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.