論文の概要: K-U-KAN: Koopman-Enhanced U-KAN for 3D Dental Reconstruction from a Single Panoramic X-ray Radiograph

• arxiv url: http://arxiv.org/abs/2605.25163v1
• Date: Sun, 24 May 2026 16:44:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.927636
• Title: K-U-KAN: Koopman-Enhanced U-KAN for 3D Dental Reconstruction from a Single Panoramic X-ray Radiograph
• Title（参考訳）: K-U-KAN:1枚のパノラマX線写真を用いた3次元歯科用U-KANの開発
• Authors: Bikram Keshari Parida, Abhijit Sen, Wonsang You,
• Abstract要約: パノラマX線は3次元の顎を2次元のストリップに圧縮する。 既存の暗黙のニューラル表現は現実的なボリュームを生成するが、トレーニングが遅く、サンプリングや位置エンコーディングに敏感であり、実際にコストがかかる。 我々はK-U-KANという3段階のパイプラインを紹介し、K-U-KANは2次元特徴をKlmogorov-Arnold Networksで深度を意識した観測装置に持ち上げる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A panoramic X-ray compresses a 3D jaw into a 2D strip; we aim to recover the missing depth cleanly and fast. Existing implicit neural representations render realistic volumes but are slow to train, sensitive to sampling and positional encodings, and costly in practice. Pure CNN baselines are efficient yet struggle with the dental arch's long-range geometry, blur fine enamel-dentin boundaries, and offer little interpretability. We present K-U-KAN, a three-stage pipeline that (i) lifts 2D features into depth-aware observables with Kolmogorov-Arnold Networks, (ii) advances these observables by a stable, phase-aware linear evolution via a Koopman token block, and (iii) places the predicted depth bins onto focal-trough rays before a lightweight 3D attention U-KAN refines the volume. This marriage of physics (Beer-Lambert image formation), geometry (horseshoe focal trough), and learned linear dynamics yields sharp anatomy, fewer artifacts, and robust behavior on native radiographic intensities with batch size one. On held-out data, K-U-KAN matches transformer/implicit baselines on signal and structure metrics, clearly improves perceptual quality, and trains in roughly half the time-making single-view PX $\to$ CBCT reconstruction more practical for clinical pipelines.
• Abstract（参考訳）: パノラマX線は3次元の顎を2次元のストリップに圧縮する。 既存の暗黙のニューラル表現は現実的なボリュームを生成するが、トレーニングが遅く、サンプリングや位置エンコーディングに敏感であり、実際にコストがかかる。 純粋なCNNベースラインは効率的だが、歯列アーチの長距離形状に苦慮し、微細なエナメル質-象牙質の境界をぼかす。 我々は三段パイプラインK-U-KANを紹介する。 (i)Kolmogorov-Arnold Networksによる深度対応観測器に2D機能を持ち込む (ii)クープマントークンブロックを介して、安定かつ位相対応の線形展開により、これらの観測対象を前進させる。 三 予測深度ビンを焦点トラフ線上に配置し、U-KANの軽量な3D注意によりボリュームを改善させる。 この物理(Beer-Lambert画像形成)、幾何学(ホースシュー焦点トラフ)、学習された線形力学の結婚は、鋭い解剖学、少ないアーティファクト、バッチサイズ1のネイティブラジオグラフィー強度に対するロバストな振る舞いをもたらす。 ホールドアウトデータでは、K-U-KANは信号と構造の測定値に基づいてトランスフォーマー/単純なベースラインをマッチングし、知覚的品質を明確に向上させ、クリニカルパイプラインのより実用的な単視PX$\to$CBCT再構成の約半分で列車を走らせる。

関連論文リスト

• Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction [50.5449251266956]
  本稿では,長い映像シーケンスから大規模3Dシーンを再構築する作業について述べる。 近年のフィードフォワード再構成モデルでは,RGB画像からの3次元幾何を,明示的な3次元先行や幾何学的制約なく直接回帰することで,有望な結果を示している。 本稿では,長距離シーン情報を効率よく圧縮し,保持するニューラルグローバルコンテキスト表現を提案する。
  論文  参考訳（メタデータ） (2026-04-09T17:59:50Z)
• PointSLAM++: Robust Dense Neural Gaussian Point Cloud-based SLAM [15.127969048723408]
  現在の同時ローカライゼーションとマッピング(SLAM)アプローチは、奥行き雑音の存在下で構造的一貫性とロバストなポーズ推定を維持するのにしばしば苦労する。 この研究は、構造的関係を維持するために階層的に制約されたニューラルガウス表現を利用する新しいRGB-D SLAMシステムであるPointSLAM++を紹介する。 また、深度センサノイズを軽減するためにプログレッシブポーズ最適化を採用し、局所化精度を大幅に向上させた。
  論文  参考訳（メタデータ） (2026-01-10T04:12:13Z)
• Robust Mesh Saliency GT Acquisition in VR via View Cone Sampling and Geometric Smoothing [59.12032628787018]
  バーチャルリアリティー(VR)における人中心視覚モデリングには3次元メッシュサリエンシ基底真理が不可欠である 現在のVRアイトラッキングパイプラインは、単一線サンプリングとユークリッドのスムース化に依存しており、テクスチャの注意を喚起し、ギャップをまたいだ信号の漏洩を引き起こす。 本稿では,これらの制約に対処する頑健な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T05:20:12Z)
• ViT-NeBLa: A Hybrid Vision Transformer and Neural Beer-Lambert Framework for Single-View 3D Reconstruction of Oral Anatomy from Panoramic Radiographs [0.0]
  パノラマ線写真(PX)とコーンビームCT(CBCT)の2つの主要画像モダリティによる歯科診断 PX画像は費用対効果が高くアクセスしやすいが、深度情報の欠如により診断精度が低下する。CBCTはこの問題に対処するが、高コスト、放射線暴露の増加、アクセシビリティの制限などの欠点を提示する。 視覚変換器をベースとしたニューラルビール・ランバートモデルであるViT-NeBLaを導入する。
  論文  参考訳（メタデータ） (2025-06-16T08:01:14Z)
• N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
  3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。 本手法は, 視認性, 深度, 外観特性を忠実に近似する。
  論文  参考訳（メタデータ） (2024-05-25T13:54:34Z)
• CVT-xRF: Contrastive In-Voxel Transformer for 3D Consistent Radiance Fields from Sparse Inputs [65.80187860906115]
  スパース入力によるNeRFの性能向上のための新しい手法を提案する。 まず, サンプル線が, 3次元空間内の特定のボクセルと交差することを保証するために, ボクセルを用いた放射線サンプリング戦略を採用する。 次に、ボクセル内の追加点をランダムにサンプリングし、トランスフォーマーを適用して各線上の他の点の特性を推測し、ボリュームレンダリングに組み込む。
  論文  参考訳（メタデータ） (2024-03-25T15:56:17Z)
• Intraoperative 2D/3D Image Registration via Differentiable X-ray Rendering [5.617649111108429]
  DiffPoseは、患者固有のシミュレーションと微分可能な物理ベースのレンダリングを利用して、手動でラベル付けされたデータに頼ることなく正確な2D/3D登録を実現する自己教師型アプローチである。 DiffPoseは手術用データセット全体の術速でサブミリ精度を達成し、既存の教師なしの手法を桁違いに改善し、教師付きベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T13:05:54Z)
• 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)
• Light Field Networks: Neural Scene Representations with Single-Evaluation Rendering [60.02806355570514]
  2次元観察から3Dシーンの表現を推定することは、コンピュータグラフィックス、コンピュータビジョン、人工知能の基本的な問題である。 そこで我々は,360度4次元光場における基礎となる3次元シーンの形状と外観の両面を表現した新しいニューラルシーン表現,光場ネットワーク(LFN)を提案する。 LFNからレイをレンダリングするには*single*ネットワークの評価しか必要としない。
  論文  参考訳（メタデータ） (2021-06-04T17:54:49Z)

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。