論文の概要: Zero-shot Volumetric CT Super-Resolution using 3D Gaussian Splatting with Upsampled 2D X-ray Projection Priors

• arxiv url: http://arxiv.org/abs/2508.15151v1
• Date: Thu, 21 Aug 2025 01:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.138772
• Title: Zero-shot Volumetric CT Super-Resolution using 3D Gaussian Splatting with Upsampled 2D X-ray Projection Priors
• Title（参考訳）: アップサンプド2次元X線プロジェクションを用いた3次元ガウススプラッティングによるゼロショットCT超解像
• Authors: Jeonghyun Noh, Hyun-Jic Oh, Byungju Chae, Won-Ki Jeong,
• Abstract要約: 拡散モデルにより生成された2次元X線プロジェクションのアップサンプリングを利用する新しいゼロショット3次元CT SRフレームワークを提案する。 2つのデータセットに対する実験により,本手法は3次元CT SRにおいて優れた定量的,定性的な結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 3.3659467814492654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computed tomography (CT) is widely used in clinical diagnosis, but acquiring high-resolution (HR) CT is limited by radiation exposure risks. Deep learning-based super-resolution (SR) methods have been studied to reconstruct HR from low-resolution (LR) inputs. While supervised SR approaches have shown promising results, they require large-scale paired LR-HR volume datasets that are often unavailable. In contrast, zero-shot methods alleviate the need for paired data by using only a single LR input, but typically struggle to recover fine anatomical details due to limited internal information. To overcome these, we propose a novel zero-shot 3D CT SR framework that leverages upsampled 2D X-ray projection priors generated by a diffusion model. Exploiting the abundance of HR 2D X-ray data, we train a diffusion model on large-scale 2D X-ray projection and introduce a per-projection adaptive sampling strategy. It selects the generative process for each projection, thus providing HR projections as strong external priors for 3D CT reconstruction. These projections serve as inputs to 3D Gaussian splatting for reconstructing a 3D CT volume. Furthermore, we propose negative alpha blending (NAB-GS) that allows negative values in Gaussian density representation. NAB-GS enables residual learning between LR and diffusion-based projections, thereby enhancing high-frequency structure reconstruction. Experiments on two datasets show that our method achieves superior quantitative and qualitative results for 3D CT SR.
• Abstract（参考訳）: CTは臨床診断に広く用いられているが,高分解能(HR)CTの取得は放射線曝露リスクによって制限される。 深層学習に基づく超解像(SR)法は低分解能(LR)入力からHRを再構成するために研究されている。 教師付きSRアプローチは有望な結果を示しているが、しばしば利用できない大規模なLR-HRボリュームデータセットが必要である。 対照的に、ゼロショット法は単一のLR入力のみを使用することでペアデータの必要性を緩和するが、内部情報に制限があるため、通常は微細な解剖学的詳細を回復するのに苦労する。 そこで本研究では,拡散モデルにより生成された2次元X線投影前のアップサンプリングを利用する,新しいゼロショット3次元CT SRフレームワークを提案する。 HR2次元X線データの多量化を図り、大規模2次元X線投影における拡散モデルを訓練し、投射ごとの適応サンプリング戦略を導入する。 プロジェクション毎に生成過程を選択し、HRプロジェクションを3次元CT再構成のための強力な外部前駆体として提供する。 これらの投影は、3次元CTボリュームを再構成する3次元ガウススプラッティングの入力として機能する。 さらに、ガウス密度表現における負の値を可能にする負のアルファブレンディング(NAB-GS)を提案する。 NAB-GSは、LRと拡散ベースプロジェクションの間の残留学習を可能にし、高周波構造再構成を向上する。 2つのデータセットに対する実験により,本手法は3次元CT SRにおいて優れた定量的,定性的な結果が得られることが示された。

関連論文リスト

• Resolution-Robust 3D MRI Reconstruction with 2D Diffusion Priors: Diverse-Resolution Training Outperforms Interpolation [18.917672392645006]
  2次元スライスで訓練された2次元拡散モデルが3次元MRI再構成に活用され始めている。 既存の方法では、ボクセルサイズが一定であり、ボクセルサイズが変化すると性能が低下する。 本稿では,2次元拡散先行画像を用いた高分解能3次元MRI再構成手法の提案と検討を行う。
  論文  参考訳（メタデータ） (2024-12-24T18:25:50Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [35.73129314731503]
  3次元コーンビームCT(CBCT)におけるリングアーティファクトの意義 既存のSOTA(State-of-the-art)リングアーティファクトリダクション(RAR)法は、大規模なペアCTデータセットによる教師あり学習に依存している。 本研究では,新しい教師なしRAR手法であるRinerを提案する。
  論文  参考訳（メタデータ） (2024-12-08T08:22:58Z)
• Learning 3D Gaussians for Extremely Sparse-View Cone-Beam CT Reconstruction [9.848266253196307]
  Cone-Beam Computed Tomography (CBCT) は医用画像の撮影に欠かせない手法であるが、放射線照射が臨床応用に懸念をもたらす。 本稿では,3次元ガウス空間における特徴分布を表現するために3次元ガウス空間を利用する新しい再構成フレームワーク,DIF-Gaussianを提案する。 2つの公開データセット上でDIF-Gaussianを評価し,従来の最先端手法よりもはるかに優れた再構成性能を示した。
  論文  参考訳（メタデータ） (2024-07-01T08:48:04Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models [6.046082223332061]
  X-拡散(X-Diffusion)は、空間領域入力から詳細な3次元MRIボリュームを再構成する新しい断面積拡散モデルである。 X-Diffusionの重要な側面は、MRIデータを横断的なトレーニングと推論の間、全体的な3Dボリュームとしてモデル化することである。 以上の結果から,X-Diffusionは定量精度(PSNR)に優れるだけでなく,重要な解剖学的特徴を保っていることが示唆された。
  論文  参考訳（メタデータ） (2024-04-30T14:53:07Z)
• Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
  本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。 MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
  論文  参考訳（メタデータ） (2023-03-15T08:28:06Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。