論文の概要: LINGO: Latent Initialization and Gradient Optimization for Sparse-view X-ray Novel View Synthesis and CT Reconstruction with 3D Gaussian Splatting

• arxiv url: http://arxiv.org/abs/2609.22849v1
• Date: Sat, 19 Sep 2026 07:45:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.572309
• Title: LINGO: Latent Initialization and Gradient Optimization for Sparse-view X-ray Novel View Synthesis and CT Reconstruction with 3D Gaussian Splatting
• Title（参考訳）: lingO: 3次元ガウススプラッティングによるスパルスビューX線画像合成とCT再構成のための潜時初期化とグラディエント最適化
• Abstract要約: Sparse-view X-ray Imagingによる新しいビュー合成とCT(Computed Tomography)再構成では、角被覆が不十分なため、構造的曖昧さや蓄積ノイズが生じる。 本稿では,これらの問題に対処するために,遅延初期化と勾配最適化を統一したフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 16.190448121707778
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In novel view synthesis and Computed Tomography (CT) reconstruction with sparse-view X-ray imaging, insufficient angular coverage leads to structural ambiguity and accumulated noise. Integrating 3D Gaussian Splatting (3DGS) with X-ray absorption physics can achieve promising results, but it suffers from noisy initialization, positional insensitivity, and weak gradients in low-density regions. In this paper, we propose a unified Latent Initialization and Gradient Optimization (LINGO) framework to address these issues. LINGO combines latent mask-space initialization with dynamic gradient optimization to improve point cloud structural completeness while accelerating training. It constructs voxel-level 3D filters from X-ray masks to robustly suppress background noise and provide reliable geometric priors. By employing an adaptive voxel scaling strategy and dynamically scaling loss, LINGO can adjust spatial resolution and explicitly amplify gradients in low-density structures. To evaluate the quality of initialization, we introduce the Initialization Point Cloud Structural Deviation (IPSD) metric. Experiments on the X3D dataset indicate that for the novel view synthesis task, LINGO improves the Peak Signal-to-Noise Ratio (PSNR) and Structural Similarity Index (SSIM) by an average of 0.72 and 0.0039, respectively, over baselines under identical sparse-view settings, achieving comparable reconstruction quality within 5k steps to state-of-the-art models typically trained with 30k iterations. For the CT reconstruction task, LINGO also demonstrates consistent improvements, with average PSNR and SSIM gains of 0.36 and 0.0134. These results highlight LINGO's effectiveness in both accelerating training and enhancing reconstruction quality across different sparse-view imaging scenarios.
• Abstract（参考訳）: Sparse-view X-ray Imagingによる新しいビュー合成とCT(Computed Tomography)再構成では、角被覆が不十分なため、構造的曖昧さや蓄積ノイズが生じる。 3Dガウススメッティング(3DGS)とX線吸収物理を統合することで、有望な結果が得られるが、低密度領域におけるノイズ初期化、位置不感度、弱い勾配に悩まされる。 本稿では,これらの問題に対処するためのLatent Initialization and Gradient Optimization(INGO)フレームワークを提案する。 lingOは遅延マスク空間の初期化と動的勾配最適化を組み合わせて、トレーニングを加速しながらポイントクラウドの構造的完全性を改善する。 X線マスクからボクセルレベルの3Dフィルタを構築し、背景雑音を頑健に抑制し、信頼性の高い幾何学的先行情報を提供する。 適応的なボクセルスケーリング戦略と動的スケールロスを用いることで、INGOは空間分解能を調整し、低密度構造における勾配を明示的に増幅することができる。 初期化の質を評価するために,初期化点クラウド構造偏差(IPSD)指標を導入する。 X3Dデータセットの実験では、新しいビュー合成タスクにおいて、INGOはピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)をそれぞれ平均0.72と0.0039で改善し、同じスパースビュー設定でベースラインを上回り、通常30kイテレーションでトレーニングされた最先端モデルの5kステップ以内の再現品質を達成している。 CT再構成タスクでは、INGOも一貫した改善を示し、平均PSNRとSSIMは0.36と0.0134である。 これらの結果から,Sparse-view 撮影シナリオにおける INGO の訓練促進効果と再現性の向上効果が示唆された。

関連論文リスト

• NOVA-GS: Noise-Aware View-Consistent Gaussian Splatting for Low-Light Novel View Synthesis [8.990930037094982]
  NOVA-GSは低光度3Dガウススプラッティングのためのノイズ対応フレームワークである。 単一のプロセス内で拡張、デノイング、および幾何最適化を仮定する。 様々な現実世界の低照度データセットの実験では、ペアの監督やよく照らされた参照を必要とせずに、幾何学的忠実度、色一貫性、堅牢性が改善された。
  論文  参考訳（メタデータ） (2026-09-11T10:26:36Z)
• Denoising-GS: Gaussian Splatting with Spatial-aware Denoising [59.331050242447255]
  高忠実なノベルビュー合成(NVS)において、3Dガウススティング(3DGS)は顕著な成功を収めた 本稿では, 3DGS の最適化を原始的認知過程として定式化し, 新たな視点を導入する。 位置と空間構造を両立させることにより,プリミティブのコヒーレントなデノナイジングフレームワークであるDenoising-GSを提案する。 3つのベンチマークデータセットで実施された実験により、Denoising-GSは表現のコンパクト性を維持しながら、NVSの忠実度を一貫して向上することを示した。
  論文  参考訳（メタデータ） (2026-05-14T14:24:21Z)
• 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)
• AnatoMaskGAN: GNN-Driven Slice Feature Fusion and Noise Augmentation for Medical Semantic Image Synthesis [1.5295022700131624]
  AnatoMaskGANはスライスに関連する空間的特徴を埋め込んで、スライス間のコンテキスト依存を正確に集約する。 多様な画像拡張戦略を導入し、複雑な医用画像の性能向上のために、深い特徴学習を最適化する。
  論文  参考訳（メタデータ） (2025-08-15T10:19:38Z)
• 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)
• LL-Gaussian: Low-Light Scene Reconstruction and Enhancement via Gaussian Splatting for Novel View Synthesis [17.470869402542533]
  低照度シーンにおける新しいビュー合成(NVS)は、劣化した入力のために重要な課題である。 低照度sRGB画像からの3次元再構成と拡張のための新しいフレームワークであるLL-Gaussianを提案する。 最先端のNeRFベースの手法と比較して、LL-Gaussianは最大2000倍高速な推論を実現し、トレーニング時間を2%に短縮する。
  論文  参考訳（メタデータ） (2025-04-14T15:39:31Z)
• InstantSplat: Sparse-view Gaussian Splatting in Seconds [91.77050739918037]
  InstantSplatは,光速でスパークビュー3Dシーンを再現する新しい手法である。 InstantSplatでは,3Dシーン表現とカメラポーズを最適化する,自己管理フレームワークを採用している。 3D-GSの従来のSfMと比較して、30倍以上の再現を達成し、視覚的品質(SSIM)を0.3755から0.7624に改善する。
  論文  参考訳（メタデータ） (2024-03-29T17:29:58Z)

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。