DiffNR: Оптимизация нейронного представления с усилением диффузией для томографической реконструкции 3D по ограниченному набору проекций
DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
April 23, 2026
Авторы: Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng
cs.AI
Аннотация
Нейральные представления (NR), такие как нейральные поля и 3D-гаусссианы, эффективно моделируют объемные данные в компьютерной томографии (КТ), но порождают значительные артефакты в условиях sparse-view. Для решения этой проблемы мы предлагаем DiffNR — новую архитектуру, которая улучшает оптимизацию NR с помощью диффузионных априорных знаний. Ее ключевой компонент — SliceFixer, одношаговая диффузионная модель для коррекции артефактов в degraded-срезах. Мы интегрируем в сеть специализированные conditioning-слои и разрабатываем целевые стратегии курации данных для поддержки тонкой настройки модели. В процессе реконструкции SliceFixer периодически генерирует псевдо-референсные объемы, обеспечивая вспомогательное 3D-перцептуальное наблюдение для исправления слабоопределенных областей. В отличие от предыдущих методов, встраивающих КТ-решатели в трудоемкий итеративный денойзинг, наша стратегия «исправление-и-дополнение» избегает частых запросов к диффузионной модели, что обеспечивает лучшее быстродействие. Многочисленные эксперименты показывают, что DiffNR в среднем улучшает PSNR на 3.99 дБ, хорошо обобщается на различные домены и сохраняет эффективную оптимизацию.
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.