論文の概要: NAB: Neural Adaptive Binning for Sparse-View CT reconstruction
- arxiv url: http://arxiv.org/abs/2602.02356v1
- Date: Mon, 02 Feb 2026 17:19:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:34.319882
- Title: NAB: Neural Adaptive Binning for Sparse-View CT reconstruction
- Title（参考訳）: NAB : Sparse-View CT再建のためのニューラルアダプティブ・バインニング
- Authors: Wangduo Xie, Matthew B. Blaschko,
- Abstract要約: そこで本稿では,長方形の先行を効率的に再構築プロセスに統合する新しい textbfNeural textbfAdaptive textbfBinning (textbfNAB) 法を提案する。
この研究は、形状先行をニューラルネットワークベースの再構成に統合する新しい視点を提供する。
- 参考スコア（独自算出の注目度）: 15.2306650365363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computed Tomography (CT) plays a vital role in inspecting the internal structures of industrial objects. Furthermore, achieving high-quality CT reconstruction from sparse views is essential for reducing production costs. While classic implicit neural networks have shown promising results for sparse reconstruction, they are unable to leverage shape priors of objects. Motivated by the observation that numerous industrial objects exhibit rectangular structures, we propose a novel \textbf{N}eural \textbf{A}daptive \textbf{B}inning (\textbf{NAB}) method that effectively integrates rectangular priors into the reconstruction process. Specifically, our approach first maps coordinate space into a binned vector space. This mapping relies on an innovative binning mechanism based on differences between shifted hyperbolic tangent functions, with our extension enabling rotations around the input-plane normal vector. The resulting representations are then processed by a neural network to predict CT attenuation coefficients. This design enables end-to-end optimization of the encoding parameters -- including position, size, steepness, and rotation -- via gradient flow from the projection data, thus enhancing reconstruction accuracy. By adjusting the smoothness of the binning function, NAB can generalize to objects with more complex geometries. This research provides a new perspective on integrating shape priors into neural network-based reconstruction. Extensive experiments demonstrate that NAB achieves superior performance on two industrial datasets. It also maintains robust on medical datasets when the binning function is extended to more general expression. The code will be made available.
- Abstract（参考訳）: CT(Computed Tomography)は,産業用物体の内部構造を調べる上で重要な役割を担っている。
さらに, 製造コスト削減のためには, スパースビューからの高画質CT再構成が不可欠である。
古典的な暗黙のニューラルネットワークはスパース再構成の有望な結果を示しているが、それらは物体の形状の先行を活用できない。
多数の産業対象物が長方形構造を示すという観察に触発され、長方形の先行を効率的に再構成プロセスに統合する新しい \textbf{N}eural \textbf{A}daptive \textbf{B}inning (\textbf{NAB}) 法を提案する。
特に、我々のアプローチはまず座標空間を双対ベクトル空間にマッピングする。
この写像は、シフトした双曲接関数の差に基づく革新的な双対機構に依存し、我々の拡張は入力平面正規ベクトルのまわりの回転を可能にする。
得られた表現はニューラルネットワークによって処理され、CT減衰係数を予測する。
この設計により、プロジェクションデータからの勾配流を介して、位置、サイズ、急勾配、回転を含む符号化パラメータのエンドツーエンド最適化が可能となり、再現精度が向上する。
双対関数の滑らかさを調整することで、NABはより複雑な幾何学を持つ対象に一般化することができる。
この研究は、形状先行をニューラルネットワークベースの再構成に統合する新しい視点を提供する。
大規模な実験により、NABは2つの産業データセット上で優れた性能を発揮することが示された。
バイナリ関数がより一般的な表現に拡張された場合、医療データセットにもロバストに維持される。
コードは利用可能になります。
関連論文リスト
- Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - AC-IND: Sparse CT reconstruction based on attenuation coefficient estimation and implicit neural distribution [12.503822675024054]
CTは産業用非破壊検査や診断において重要な役割を担っている。
スパースビューCT再構成は,少数のプロジェクションのみを使用しながら,高品質なCT像を再構成することを目的としている。
本稿では,減衰係数推定と入射ニューラル分布に基づく自己教師型手法であるAC-INDを紹介する。
論文 参考訳（メタデータ） (2024-09-11T10:34:41Z) - 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) - Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。
各パーティション内に1つのプリミティブを導出するために空間分割を適用する。
我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
論文 参考訳（メタデータ） (2024-06-07T21:07:49Z) - Distributed Stochastic Optimization of a Neural Representation Network for Time-Space Tomography Reconstruction [4.689071714940848]
X線CT(CT)を用いた動的事象や変形物体の4次元時間空間再構成は,非破壊評価において重要な逆問題である。
分散暗黙的ニューラル表現(DINR)ネットワークを用いて,新しい分散トレーニングアルゴリズムを用いてトレーニングした4次元時間空間再構成を提案する。
論文 参考訳（メタデータ） (2024-04-29T19:41:51Z) - NeuSurf: On-Surface Priors for Neural Surface Reconstruction from Sparse
Input Views [41.03837477483364]
本研究では,表面の高度に忠実な再構成を実現するために,地上の事前情報を活用する新しいスパース・ビュー・リコンストラクション・フレームワークを提案する。
具体的には,大域的幾何アライメントと局所的幾何洗練に関するいくつかの制約を設計し,粗い形状と細部を協調的に最適化する。
DTUとBlendedMVSデータセットによる2つの一般的なスパース設定の実験結果は、最先端の手法よりも大幅に改善されたことを示している。
論文 参考訳（メタデータ） (2023-12-21T16:04:45Z) - SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction [15.233185887461826]
Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。
ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-05-06T14:01:02Z) - Semi-signed neural fitting for surface reconstruction from unoriented
point clouds [53.379712818791894]
より優れた符号付き距離場を再構成するためのSN-Fittingを提案する。
SSNフィッティングは半署名の監督と損失に基づく領域サンプリング戦略で構成されている。
我々は,SSN-Fittingが,異なる設定下で最先端の性能を達成することを示す実験を行う。
論文 参考訳（メタデータ） (2022-06-14T09:40:17Z) - MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface
Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。
これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。
近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文 参考訳（メタデータ） (2022-06-01T17:58:15Z) - NeuS: Learning Neural Implicit Surfaces by Volume Rendering for
Multi-view Reconstruction [88.02850205432763]
物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。
DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。
本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。
マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
論文 参考訳（メタデータ） (2021-06-20T12:59:42Z)
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。