論文の概要: X-Splat: Gaussian Splatting for 3D CBCT Generation from Single Panoramic Radiograph

• arxiv url: http://arxiv.org/abs/2607.02099v1
• Date: Thu, 02 Jul 2026 12:34:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.829445
• Title: X-Splat: Gaussian Splatting for 3D CBCT Generation from Single Panoramic Radiograph
• Title（参考訳）: X-Splat:1パノラマX線からの3次元CBCT生成のためのガウス散乱
• Abstract要約: 我々は, CBCT様の歯科用3Dボリュームを単一PXRから生成する最初のガウススプラッティングフレームワークであるX-Splatを提案する。 我々は合成PXR-CBCTペアを訓練し、ペアの実スキャンなしで直接監視できるようにした。 X-SplatはNeRFおよびGANベースラインより優れ、個々の歯、皮質境界、歯槽構造を回復する。
• 参考スコア（独自算出の注目度）: 0.23064058378889166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating a 3D dental volume from a single panoramic radiograph (PXR) could provide a low-radiation alternative to Cone-Beam Computed Tomography (CBCT), but the problem is highly underdetermined: panoramic acquisition integrates 3D attenuation along curved X-ray paths into a 2D image, leaving depth-resolved anatomy unobserved. Existing implicit and generative approaches often produce oversmoothed geometry or anatomically inconsistent hallucinations, lacking geometry-driven supervision and relying on smooth representations unable to precisely localize sharp anatomical boundaries. We propose X-Splat, the first Gaussian Splatting framework for generating CBCT-like 3D dental volumes from a single PXR. X-Splat uses the known panoramic acquisition geometry as a generation scaffold: learnable anisotropic Gaussian primitives are initialized along the X-ray paths that formed the input image and adjusted in a single feed-forward pass, constrained by Beer-Lambert reprojection and multi-view radiographic training supervision. A lightweight residual refiner adds dataset-level anatomical priors without overriding the geometry already resolved by the Gaussians. We train on synthetic PXR-CBCT pairs, enabling direct volumetric supervision without paired real scans. We further introduce segmentation-based geometry-aware metrics, providing the first evaluation of PXR-based generation over maxillofacial anatomy. X-Splat outperforms NeRF- and GAN-based baselines, recovering individual teeth, cortical boundaries, and alveolar structure, including the mandibular canal which prior methods fail to reconstruct. Code will be available at https://github.com/tomek1911/X-Splat
• Abstract（参考訳）: 1枚のパノラマ線写真(PXR)から3次元の歯科用体積を生成することで、コーンビームCT(CBCT)に代わる低放射能が得られるが、その問題は極めて過小評価されている。 既存の暗黙的および生成的アプローチは、しばしば過度に滑らかな幾何学または解剖学的に矛盾した幻覚を生じさせ、幾何学的な監督を欠き、鋭い解剖学的境界を正確に特定できない滑らかな表現に依存している。 我々は, CBCT様の歯科用3Dボリュームを単一PXRから生成する最初のガウススプラッティングフレームワークであるX-Splatを提案する。 学習可能な異方性ガウスプリミティブは、入力画像を形成するX線経路に沿って初期化され、Beer-Lambert再射とマルチビューラジオグラフィー訓練によって制約された単一のフィードフォワードパスで調整される。 軽量の残留精錬器は、ガウスによって既に解決された幾何学を覆すことなく、データセットレベルの解剖学的な先行を付加する。 我々は合成PXR-CBCTペアを訓練し、ペアの実スキャンなしで直接ボリュームの監視を可能にする。 さらに, 顎顔面解剖学よりPXRをベースとした計測値について, セグメンテーションに基づく幾何認識指標について検討した。 X-Splat は NeRF および GAN ベースラインを上回り、個々の歯、皮質境界、歯槽構造を回復する。 コードはhttps://github.com/tomek1911/X-Splatで入手できる。

関連論文リスト

• Shape-guided Gaussian Splatting for Sparse-View X-ray 3D Reconstruction [1.6200997411340154]
  放射線被曝低減には, スパースビューX線3D再構成が不可欠である。 近年, 3D Gaussian Splatting はスパース・ビュー・リコンストラクションにおいて最先端の性能を実現している。 本稿では, スパースビューX線3次元再構成のための形状誘導型ガウススプラッティングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-09T16:05:09Z)
• Stroke3D: Lifting 2D strokes into rigged 3D model via latent diffusion models [53.32092058519587]
  Stroke3Dは、ユーザ入力から2D描画ストロークと記述テキストプロンプトを直接生成する新しいフレームワークである。 私たちの知識を最大限に活用するために、私たちの研究は、ユーザ引き起こされた2Dストロークに条件付けされたトリグされた3Dメッシュを初めて生成しました。
  論文  参考訳（メタデータ） (2026-02-10T12:17:00Z)
• X-GRM: Large Gaussian Reconstruction Model for Sparse-view X-rays to Computed Tomography [89.84588038174721]
  Computed Tomographyは臨床において必須のツールであり、内部解剖学的構造を非侵襲的に可視化する。 既存のCT再構成作業は、小さなキャパシティモデルアーキテクチャと非フレキシブルボリューム表現に限られている。 スパースビュー2次元X線プロジェクションから3次元CTボリュームを再構成する大規模なフィードフォワードモデルであるX-GRMを提案する。
  論文  参考訳（メタデータ） (2025-05-21T08:14:10Z)
• PX2Tooth: Reconstructing the 3D Point Cloud Teeth from a Single Panoramic X-ray [20.913080797758816]
  PX2Toothは2段階の枠組みで1枚のPX画像を用いて3次元歯の再構成を行う新しい手法である。 まず、PXSegNetを設計し、PX画像から永久歯を分割し、各歯の位置、形態、分類情報を提供する。 その後、ランダムな点雲を3次元歯に変換する新しい歯生成ネットワーク(TGNet)を設計する。
  論文  参考訳（メタデータ） (2024-11-06T07:44:04Z)
• 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)
• Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
  我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。 実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
  論文  参考訳（メタデータ） (2024-03-07T00:12:08Z)
• Structure-Aware Sparse-View X-ray 3D Reconstruction [26.91084106735878]
  スパースビューX線3次元再構成のための構造対応X線ニューラルラジオ密度場(SAX-NeRF)を提案する。 Linefomerは、X線の各線分内の依存関係をモデル化することで、3D空間内のオブジェクトの内部構造をキャプチャする。 X3Dの実験では、SAX-NeRFは、新しいビュー合成とCT再構成において、従来のNeRF法を12.56と2.49dBで上回っている。
  論文  参考訳（メタデータ） (2023-11-18T03:39:02Z)
• NeBLa: Neural Beer-Lambert for 3D Reconstruction of Oral Structures from Panoramic Radiographs [5.263841326809513]
  実世界のPXから3次元口腔構造を推定するためにNeBLa(Neural Beer-Lambert)を提案する。 NeBLaは、各再建が単一のパノラマ画像のみに基づいている様々な被験者(患者)に対して、完全な3D再構成に取り組む。 SimPXは、真にPXをシミュレートするだけでなく、3Dデータへの回帰プロセスを容易にすることを目指している。
  論文  参考訳（メタデータ） (2023-04-08T14:40:35Z)
• 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)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)
• End-To-End Convolutional Neural Network for 3D Reconstruction of Knee Bones From Bi-Planar X-Ray Images [6.645111950779666]
  両平面X線画像から直接膝骨を3次元再構成するためのエンドツーエンド畳み込みニューラルネットワーク(CNN)を提案する。
  論文  参考訳（メタデータ） (2020-04-02T08:37:11Z)

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。