論文の概要: DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
- arxiv url: http://arxiv.org/abs/2604.21518v1
- Date: Thu, 23 Apr 2026 10:27:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.444976
- Title: DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction
- Title（参考訳）: DiffNR-Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomography Reconstruction
- Authors: Shiyan Su, Ruyi Zha, Danli Shi, Hongdong Li, Xuelian Cheng,
- Abstract要約: 本稿では,拡散前のNR最適化を向上する新しいフレームワークであるDiffNRを提案する。
コアとなるSliceFixerは、分解したスライスのアーティファクトを修正するために設計された1ステップの拡散モデルである。
実験では、DiffNRはPSNRを平均3.99dB改善し、ドメイン間でよく一般化し、効率的な最適化を維持している。
- 参考スコア（独自算出の注目度）: 42.4365911571903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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.
- Abstract（参考訳）: ニューラルネットワークや3Dガウスアンなどのニューラル表現(NR)は、CT(Computerd tomography)のボリュームデータを効果的にモデル化するが、スパースビュー設定下では深刻なアーティファクトに悩まされる。
そこで本研究では,拡散前のNR最適化を向上する新しいフレームワークであるDiffNRを提案する。
コアとなるSliceFixerは、分解したスライスのアーティファクトを修正するために設計された1ステップの拡散モデルである。
特化条件層をネットワークに統合し,モデル微調整を支援するためのデータキュレーション戦略を開発する。
再建中、SliceFixerは定期的に擬似参照ボリュームを生成し、非拘束領域を修復するための補助的な3D知覚監視を提供する。
我々は,CTソルバを時間を要する反復的復調に埋め込む従来の手法と比較して,頻繁な拡散モデルクエリを回避し,実行時の性能を向上する。
大規模な実験により、DiffNRはPSNRを平均3.99dB改善し、ドメインをまたいでよく一般化し、効率的な最適化を維持することが示されている。
関連論文リスト
- Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI [0.07026564887314535]
本稿では,最適化ループの各イテレーションにおいて,EDSRネットワークを演算子に置き換えるハイブリッドアンロール型再構成フレームワークを提案する。
そこで提案手法は,PSNR と SSIM を標準的アンロール型再構成よりも常に改良する。
これらの結果から, 3次元LGE MRIでは, 超高分解能前兆を直接モデルベース再構成に組み込むことで, 測定精度が向上することが示唆された。
論文 参考訳（メタデータ） (2026-03-18T21:48:48Z) - Optimizing 3D Diffusion Models for Medical Imaging via Multi-Scale Reward Learning [7.493047521402676]
本稿では,RL(Reinforcement Learning)を用いた3次元拡散モデルの改良手法を提案する。
2次元スライス・アセスメントと3次元解析を統合した新たな報酬システムによって導かれるPPO(Proximal Policy Optimization)を用いてモデルを微調整する。
以上の結果から,RLフィードバックを組み込むことで,より高品質な分散を実現することが可能であることが示唆された。
論文 参考訳（メタデータ） (2026-03-06T11:30:55Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - Adaptive Training of INRs via Pruning and Densification [6.759337697337581]
本稿では、最適化の過程で暗黙的な神経表現を洗練させる適応的なトレーニングスキームであるAIReを紹介する。
提案手法では,表現能力を向上させるために,ニューロンプルーニング機構を用いて冗長性と入力周波数密度化を回避する。
コードと事前訓練されたモデルは、パブリック使用のためにリリースされる。
論文 参考訳（メタデータ） (2025-10-27T23:52:46Z) - A View-consistent Sampling Method for Regularized Training of Neural Radiance Fields [46.03878128080501]
我々は、NeRFトレーニングを正規化するために、固定深度値推定の代わりにビュー一貫性分布を用いることを提案する。
ビュー・一貫性分布からサンプリングすることにより、NeRFのトレーニングに暗黙の正規化が課される。
また,サンプリング手法と連動して機能する深度処理損失を利用して,故障モードの除去に有効な正則化を行う。
論文 参考訳（メタデータ） (2025-07-06T14:48:10Z) - QuickSplat: Fast 3D Surface Reconstruction via Learned Gaussian Initialization [69.50126552763157]
表面再構成はコンピュータビジョンとグラフィックスの基本であり、3Dモデリング、混合現実、ロボット工学などの応用を可能にする。
レンダリングに基づく既存のアプローチは有望な結果を得るが、シーンごとに最適化されるため、テクスチャレスな領域をモデル化するのに苦労する可能性がある。
大規模屋内シーンの2次元ガウススプラッティング最適化のための高密度初期化を生成するために,データ駆動の先行処理を学習するQuickSplatを紹介する。
論文 参考訳（メタデータ） (2025-05-08T18:43:26Z) - DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。
大規模な環境下では、復元の質が悪くなる場合が少なくない。
本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
論文 参考訳（メタデータ） (2024-11-19T07:51:44Z) - Learn to Optimize Denoising Scores for 3D Generation: A Unified and
Improved Diffusion Prior on NeRF and 3D Gaussian Splatting [60.393072253444934]
本稿では,3次元生成タスクの拡散先行性向上を目的とした統合フレームワークを提案する。
拡散先行と拡散モデルの訓練手順の相違を同定し、3次元生成の質を著しく損なう。
論文 参考訳（メタデータ） (2023-12-08T03:55:34Z) - VQ-NeRF: Vector Quantization Enhances Implicit Neural Representations [25.88881764546414]
VQ-NeRFは、ベクトル量子化による暗黙の神経表現を強化するための効率的なパイプラインである。
圧縮および原スケールの両スケールでNeRFモデルを同時に最適化する,革新的なマルチスケールNeRFサンプリング方式を提案する。
我々は3次元再構成の幾何学的忠実度とセマンティックコヒーレンスを改善するためにセマンティックロス関数を組み込んだ。
論文 参考訳（メタデータ） (2023-10-23T01:41:38Z)
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。