論文の概要: $K$-NeAS: Scalable Multi-Material CT Reconstruction Using Neural SDFs

• arxiv url: http://arxiv.org/abs/2607.14415v1
• Date: Wed, 15 Jul 2026 23:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.932618
• Title: $K$-NeAS: Scalable Multi-Material CT Reconstruction Using Neural SDFs
• Title（参考訳）: $K$-NeAS:ニューラルSDFを用いたスケーラブル多磁力CT再構成
• Abstract要約: 入射シーン表現(ISR)は、スパースプロジェクションから直接連続的な体積減衰場を復元することでこの問題に対処する。 本稿では, 自動多材料表面再構成のための統一かつスケーラブルなアーキテクチャであるK$-NeASを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Computed Tomography (CT) carries significant ionizing radiation risks, driving the need for sparse-view reconstruction. Implicit scene representations (ISRs) address this by recovering continuous volumetric attenuation fields directly from sparse projections, and recent geometry-aware extensions jointly model surface geometry alongside attenuation to improve fidelity and enable clean tissue segmentation without manual thresholding. However, these methods remain limited by manually tuned attenuation bounds and rigid two-material constraints. This paper proposes $K$-NeAS, a unified and scalable architecture for automated, multi-material surface reconstruction. We replace independent material networks with a shared latent backbone and introduce a fully differentiable $K$-material sequential soft selector to model an arbitrary number of overlapping tissues. To eliminate manual tuning, we automate attenuation bounding using a Gaussian Mixture Model (GMM) and implement a scheduled auxiliary floater loss to mitigate geometric hallucinations common under extreme sparsity. Evaluated across four clinical Cone-Beam CT (CBCT) datasets, $K$-NeAS successfully scales to arbitrary material counts, achieving superior 3D volumetric fidelity at $K=3$ materials on complex multi-tissue regions such as the Abdomen ($33.28\text{ dB}$ 3D PSNR vs. $31.40\text{ dB}$ single-material NeAS baseline, a $+1.88\text{ dB}$ improvement). Furthermore, our model exhibits enhanced robustness under sparse-sampling conditions, outperforming baseline 3D PSNR by up to $1.17\text{ dB}$ under 5- and 10-view constraints.
• Abstract（参考訳）: CT(Computed Tomography)は、電離放射線の危険を伴い、スパースビューの再構築の必要性を増す。 Inlicit scene representations (ISR) は、連続的な体積減衰場をスパースプロジェクションから直接復元することでこの問題に対処し、最近の幾何認識拡張は、減衰とともに表面形状をモデル化し、忠実性を改善し、手動の閾値付けなしにクリーンな組織セグメンテーションを可能にする。 しかし、これらの手法は手動で調整された減衰境界と厳密な2物質制約によって制限されている。 本稿では, 自動多材料表面再構成のための統一かつスケーラブルなアーキテクチャであるK$-NeASを提案する。 我々は、独立した物質ネットワークを共有潜在バックボーンに置き換え、任意の数の重なり合う組織をモデル化するために、完全に微分可能な$K$マテリアルシーケンシャルなソフトセレクタを導入する。 手動チューニングをなくすため,ガウス混合モデル(GMM)を用いた減衰バウンダリングを自動化し,スケジュールされた補助フロータロスを実装し,極端に疎らみに共通する幾何学的幻覚を緩和する。 4つの臨床コーンビームCT(CBCT)データセットで評価され、$K$-NeASは任意の物質数にスケールし、Abdomen$33.28\text{ dB}$3D PSNR vs. 31.40\text{ dB}$シングルマテリアルNeASベースライン、$+1.88\text{ dB}$改善のような複雑なマルチタスク領域において、優れた3Dボリューム忠実度を$K=3$で達成した。 さらに,スパースサンプリング条件下でのロバスト性も向上し,ベースラインの3D PSNRを最大1.17\text{ dB}$で5-および10-view制約下で向上させた。

関連論文リスト

• Sharpening the Ensemble: An SSIM-Aligned Residual Refiner for Brain-MRI Inpainting Post-Processing [0.5626158829476339]
  脳MRIの塗布は、スキャンのマスクされた領域を、合成され、解剖学的に妥当な健康組織に置き換える。 構造類似度指数(SSIM)、ピーク信号-雑音比、平均二乗誤差(MSE)を併用したBraTS局所合成ベンチマークでは、最強のモデルが正確である。 我々は、これを後処理で処理し、2つの第1位2025モデルの深いアンサンブルを形成し、アンサンブル自身の出力に対して軽量な残留リファインダーを訓練する。
  論文  参考訳（メタデータ） (2026-09-03T15:13:59Z)
• WearWow: Native 2K Multi-Garment Virtual Try-On via Adaptive Token Packing and Preference Alignment [50.39311913179626]
  超高分解能マルチガーメント合成の先駆者であるWearWowについて述べる。 メモリ爆発を緩和するために,適応型2DToken Packing (ATP)を提案する。 テクスチャ劣化の是正のために,多次元トライオン・リワード(MTR)を導入する。
  論文  参考訳（メタデータ） (2026-07-22T08:55:52Z)
• PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation [105.86385617182879]
  最先端のシングルイメージの3D再構成手法は複雑なハイブリッドアーキテクチャと損失関数に依存していることが多い。 このようなアーキテクチャ上のオーバーヘッドと複雑な損失の定式化は不要であることを示す。 我々は,平易なViT上に構築された最小限の画素空間拡散変換器を導入し,生の3Dポイントマップパッチを直接操作する。
  論文  参考訳（メタデータ） (2026-07-02T17:59:56Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• Conditional Diffusion Posterior Alignment for Sparse-View CT Reconstruction [4.107377779783183]
  スケーラブルな3次元スパースCT再構成を実現するために,CDPA(Conditional Posterior Alignment)を提案する。 2次元U-Net拡散モデルが初期3次元再構成に条件付けされ、スライス間の一貫性が向上する。 合成および実コーンビームCT(CBCT)データを用いた実験は,最先端の性能を示す。
  論文  参考訳（メタデータ） (2026-04-23T14:09:13Z)
• SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization [3.5109108807229403]
  本稿では,Ben-David らによる$HH$-divergence 境界によるドメイン適応フレームワーク SA-CycleGAN-2.5D を提案する。 2D効率と3D一貫性をブリッジすることで,腫瘍の病態を保ったボクセルレベルの高調波画像が得られる。
  論文  参考訳（メタデータ） (2026-03-17T23:49:46Z)
• 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)
• GANeXt: A Fully ConvNeXt-Enhanced Generative Adversarial Network for MRI- and CBCT-to-CT Synthesis [4.966806084618106]
  我々は3Dパッチベースの完全ConvNeXtによるCT合成のための生成対向ネットワークであるGANeXtを提案する。 特に、GANeXtは、3D ConvNeXtブロックとコンパクトカーネルを積み重ねた効率的なU字型ジェネレータを使用している。 合成品質を向上させるため、平均絶対誤差(MAE)、知覚的損失、セグメンテーションに基づくマスクMAE、対向的損失を含む損失関数の組み合わせを組み込んだ。
  論文  参考訳（メタデータ） (2025-12-22T12:32:16Z)
• HBSplat: Robust Sparse-View Gaussian Reconstruction with Hybrid-Loss Guided Depth and Bidirectional Warping [11.035994094874141]
  HBSplatは、堅牢な構造的キュー、仮想ビュー制約、隠蔽された領域補完をシームレスに統合するフレームワークである。 HBSplatは21.13dBのPSNRと0.189LPIPSを達成し、リアルタイム推論を維持している。
  論文  参考訳（メタデータ） (2025-09-29T15:03:31Z)
• SparseFlex: High-Resolution and Arbitrary-Topology 3D Shape Modeling [79.56581753856452]
  SparseFlexは、新しいスパース構造のアイソサーフェス表現で、レンダリング損失から最大10243ドルの解像度で、差別化可能なメッシュ再構築を可能にする。 SparseFlexは、高解像度で差別化可能なメッシュ再構成とレンダリングロスによる生成を可能にすることで、3D形状の表現とモデリングの最先端性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-03-27T17:46:42Z)
• Decompositional Neural Scene Reconstruction with Generative Diffusion Prior [64.71091831762214]
  完全な形状と詳細なテクスチャを持つ3次元シーンの分解的再構成は、下流の応用に興味深い。 近年のアプローチでは、この問題に対処するために意味的あるいは幾何学的正則化が取り入れられているが、制約の少ない領域では著しく劣化している。 本稿では,SDS(Score Distillation Sampling)の形で拡散先行値を用いたDP-Reconを提案し,新しい視点下で個々の物体の神経表現を最適化する。
  論文  参考訳（メタデータ） (2025-03-19T02:11:31Z)
• Self-Ensembling Gaussian Splatting for Few-Shot Novel View Synthesis [55.561961365113554]
  3D Gaussian Splatting (3DGS) は新規ビュー合成(NVS)において顕著な効果を示した 本稿では,Self-Ensembling Gaussian Splatting(SE-GS)を紹介する。 我々は,トレーニング中に不確実性を認識した摂動戦略を導入することで,自己理解を実現する。 LLFF, Mip-NeRF360, DTU, MVImgNetデータセットによる実験結果から, 本手法がNVSの品質を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-31T18:43:48Z)
• Limited Angle Tomography for Transmission X-Ray Microscopy Using Deep Learning [12.991428974915795]
  深層学習は、X線顕微鏡で初めて限られた角度再構成に適用される。 バイオメディカルイメージングにおける最先端のニューラルネットワークであるU-Netは、合成データからトレーニングされている。 提案法は, クロレラ細胞における細胞内構造の3次元可視化を著しく改善する。
  論文  参考訳（メタデータ） (2020-01-08T12:11:19Z)

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。