DiffNR: Otimização de Representação Neural com Aprimoramento por Difusão para Reconstrução Tomográfica 3D com Dados Esparsos
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
Resumo
As representações neurais (RNs), como campos neurais e Gaussianas 3D, modelam eficazmente dados volumétricos em tomografia computadorizada (TC), mas sofrem de artefactos severos em configurações de aquisição esparsa. Para resolver isto, propomos o DiffNR, uma nova estrutura que melhora a otimização de RNs com priores de difusão. O seu núcleo é o SliceFixer, um modelo de difusão de passo único concebido para corrigir artefactos em cortes degradados. Integramos camadas de condicionamento especializadas na rede e desenvolvemos estratégias de curadoria de dados personalizadas para suportar o *finetuning* do modelo. Durante a reconstrução, o SliceFixer gera periodicamente volumes de pseudo-referência, fornecendo supervisão perceptual 3D auxiliar para corrigir regiões sub-restritas. Em comparação com métodos anteriores que incorporam solucionadores de TC em processos iterativos de remoção de ruído demorados, a nossa estratégia de reparação e aumento evita consultas frequentes ao modelo de difusão, resultando num melhor desempenho em tempo de execução. Experiências extensivas mostram que o DiffNR melhora o PSNR em 3.99 dB em média, generaliza bem entre domínios e mantém uma otimização 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.