論文の概要: Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model

• arxiv url: http://arxiv.org/abs/2511.14310v1
• Date: Tue, 18 Nov 2025 10:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.044628
• Title: Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model
• Title（参考訳）: 多ソース静止CT再構成のための反復拡散補正型神経減衰場:NAFと拡散モデル
• Authors: Jiancheng Fang, Shaoyu Wang, Junlin Wang, Weiwen Wu, Yikun Zhang, Qiegen Liu,
• Abstract要約: 高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。 超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
• 参考スコア（独自算出の注目度）: 20.480681036392173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-source stationary computed tomography (CT) has recently attracted attention for its ability to achieve rapid image reconstruction, making it suitable for time-sensitive clinical and industrial applications. However, practical systems are often constrained by ultra-sparse-view sampling, which significantly degrades reconstruction quality. Traditional methods struggle under ultra-sparse-view settings, where interpolation becomes inaccurate and the resulting reconstructions are unsatisfactory. To address this challenge, this study proposes Diffusion-Refined Neural Attenuation Fields (Diff-NAF), an iterative framework tailored for multi-source stationary CT under ultra-sparse-view conditions. Diff-NAF combines a Neural Attenuation Field representation with a dual-branch conditional diffusion model. The process begins by training an initial NAF using ultra-sparse-view projections. New projections are then generated through an Angle-Prior Guided Projection Synthesis strategy that exploits inter view priors, and are subsequently refined by a Diffusion-driven Reuse Projection Refinement Module. The refined projections are incorporated as pseudo-labels into the training set for the next iteration. Through iterative refinement, Diff-NAF progressively enhances projection completeness and reconstruction fidelity under ultra-sparse-view conditions, ultimately yielding high-quality CT reconstructions. Experimental results on multiple simulated 3D CT volumes and real projection data demonstrate that Diff-NAF achieves the best performance under ultra-sparse-view conditions.
• Abstract（参考訳）: 画像の高速な再構成を実現するため, マルチソース静止CT(CT)が注目されており, 時間感受性の臨床・産業応用に適している。 しかし、実用システムは、しばしば超スパース・ビュー・サンプリングによって制約されるため、再構築の質は著しく低下する。 従来の手法は、補間が不正確になり、その結果の再構築が不十分な超スパースビュー設定の下で苦労する。 この課題に対処するために,超スパース・ビュー条件下での多ソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。 Diff-NAFは、ニューラル減衰場表現とデュアルブランチ条件拡散モデルを組み合わせる。 プロセスは、ウルトラスパースビュープロジェクションを使用して初期NAFを訓練することから始まる。 新しいプロジェクションはアングル・プライア・ガイドド・プロジェクション・シンセサイティング・ストラテジー(英語版)によって生成され、インタービューの事前を利用して、その後拡散駆動のリユース・プロジェクション・リファインメント・モジュール(英語版)によって洗練される。 洗練されたプロジェクションは、次のイテレーションのトレーニングセットに擬似ラベルとして組み込まれます。 Diff-NAFは、反復的改善により、超スパースビュー条件下でのプロジェクション完全性と再構成忠実度を徐々に向上させ、最終的には高品質なCT再構成をもたらす。 複数の3次元CTボリュームと実射影データによる実験結果から,Diff-NAFが超スパースビュー条件下で最高の性能を発揮することが示された。

関連論文リスト

• Efficient Image-to-Image Schrödinger Bridge for CT Field of View Extension [10.352797961760976]
  画像から画像までのSchr"odinger Bridge (I$2$SB)拡散モデルに基づく効率的なCT FOV拡張フレームワークを提案する。 I$2$SBは、実データで49.8,HU、実データで152.0HUのルート平均二乗誤差(RMSE)値で優れた定量的性能を達成する。 1ステップの推論では、2Dスライスあたり0.19秒で再構築が可能で、cDDPM (135秒) よりも700倍のスピードアップを示し、拡散GAN (0.58秒) を超えている。
  論文  参考訳（メタデータ） (2025-08-15T04:41:05Z)
• ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。 生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。 本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-06-06T01:43:35Z)
• CT-SDM: A Sampling Diffusion Model for Sparse-View CT Reconstruction across All Sampling Rates [16.985836345715963]
  Sparse view X-ray Computed tomography は放射線線量減少を緩和する現代的手法として登場した。 深層学習を用いた最近の研究は, Sparse-View Computed Tomography (SVCT) のアーティファクトの除去に有望な進展をもたらした。 本研究では,任意のサンプリングレートで高性能SVCT再構成を実現するための適応的再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-09-03T03:06:15Z)
• 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)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
  Sparse-view Computed Tomography (SVCT) は画像の逆問題である。 近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。 自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:04:12Z)
• Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
  我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。 具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。 本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
  論文  参考訳（メタデータ） (2023-05-24T14:00:32Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• Adaptive Diffusion Priors for Accelerated MRI Reconstruction [0.9895793818721335]
  ディープMRI再構成は、完全にサンプリングされたデータと整合したイメージを復元するために、アンサンプされた取得をデエイリアス化する条件付きモデルで一般的に行われる。 非条件モデルは、画像演算子に関連する領域シフトに対する信頼性を向上させるために、演算子から切り離された生成画像の事前を学習する。 本稿では,MRI 再構成に先立つ適応拡散 AdaDiff を提案する。
  論文  参考訳（メタデータ） (2022-07-12T22:45:08Z)
• PREF: Phasorial Embedding Fields for Compact Neural Representations [54.44527545923917]
  本稿では,脳神経信号モデリングと再構成作業を容易にするためのコンパクトな表現として,ファサール埋め込みフィールドemphPREFを提案する。 実験の結果,PreFをベースとしたニューラル信号処理技術は,2次元画像補完,3次元SDF表面回帰,5次元放射野再構成と同等であることがわかった。
  論文  参考訳（メタデータ） (2022-05-26T17:43:03Z)

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。