論文の概要: TomoTransformer: Towards a Foundation Model for CT Reconstruction

• arxiv url: http://arxiv.org/abs/2609.37605v2
• Date: Fri, 02 Oct 2026 11:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.950089
• Title: TomoTransformer: Towards a Foundation Model for CT Reconstruction
• Title（参考訳）: Tomo Transformer:CT再構成の基礎モデルを目指して
• Abstract要約: TomoTransformerはトランスフォーマーベースのアーキテクチャで、各テキストローカルなフィルタリングプロジェクションを個々のトークンとして扱い、自己アテンションを通じて行方不明のビューを予測する。 任意の角度の位置と検出器次元で任意の数の入力射影を処理し、再訓練することなく任意のターゲット角度をクエリすることができる。 様々な医学的CT解剖学と自然画像にまたがる大規模なデータセットで訓練されている。
• 参考スコア（独自算出の注目度）: 1.0885910878567457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised deep learning has advanced sparse-view tomographic reconstruction. However, conventional models, which typically map filtered back-projection (FBP) images or sinograms to clean reconstructions, are brittle under distribution shifts. Because they require retraining whenever projection counts and angles, detector resolutions, or data distributions change, their deployment in real-world applications remains limited. To address this, we introduce TomoTransformer, a transformer-based architecture that treats each \textit{local} filtered projection as an individual token and predicts missing views via self-attention. Crucially, TomoTransformer operates in a \emph{back-projection space} that separates projections across spatial locations, making view interpolation geometrically well-posed and invariant to detector size. This design yields a single foundation model that can process any number of input projections, at arbitrary angular locations and detector dimensions, and query any number of target angles without retraining. Trained on a large-scale dataset spanning diverse medical CT anatomies and natural images, TomoTransformer generalizes effectively across anatomies, materials, and resolutions. Extensive evaluations on several benchmark sparse-view datasets show that TomoTransformer significantly outperforms concurrent multi-purpose models like ViewTrans and matches or exceeds strong protocol-specific baselines, while remaining fully agnostic to the number of input and target projections. Furthermore, the model demonstrates robust zero-shot generalization on real experimental nanoscale brain data collected from an X-ray synchrotron, showcasing its practical utility for real-world applications.
• Abstract（参考訳）: 教師付き深層学習はスパース・ビュー・トモグラフィーの再構築が進んでいる。 しかし、従来のモデルでは、フィルタバックプロジェクション(FBP)画像やシングラムをクリーンな再構成のためにマッピングするのが一般的であり、分散シフトの下では不安定である。 射影数や角度、検出器の解像度、データ分布が変化するたびに再訓練を必要とするため、実際のアプリケーションへの展開は制限されている。 この問題を解決するために,各 \textit{local} フィルタプロジェクションを個々のトークンとして扱うトランスフォーマーベースのアーキテクチャである TomoTransformer を導入する。 重要なことに、TtomoTransformer は空間的位置をまたいだ射影を分離する \emph{back-projection space で機能し、ビュー補間を幾何学的によく配置し、検出器のサイズに不変である。 この設計は、任意の角度の位置と検出器次元において任意の数の入力射影を処理し、再訓練せずに任意のターゲット角度をクエリできる単一の基礎モデルを生成する。 TomoTransformerは、さまざまな医学的CT解剖学と自然画像にまたがる大規模なデータセットに基づいて、解剖学、材料、解像度を効果的に一般化する。 複数のベンチマークスパースビューデータセットの大規模な評価によると、TtomoTransformerはViewTransのような同時多目的モデルよりも大幅に優れており、入力とターゲットのプロジェクションの数に完全に依存せず、強力なプロトコル固有のベースラインにマッチまたは超えている。 さらに、X線シンクロトロンから収集した実験的なナノスケール脳データに対してゼロショットの堅牢な一般化を示し、実世界の応用にその実用性を示す。

関連論文リスト

• OmniPoint: Universal Monocular Metric Pointcloud from Any Camera [79.24417597712802]
  OmniPointは、様々な画像センサにまたがるメートル法再構成を一般化するために設計された統合されたフレームワークである。 射影剛性を克服するため、OmniPointは従来の平面深度回帰を放棄する。 代わりに、分離された訓練目標とともに、分離された光線と距離の表現を採用する。
  論文  参考訳（メタデータ） (2026-09-08T19:45:58Z)
• Reloc-VGGT: Visual Re-localization with Geometry Grounded Transformer [40.778996326009185]
  初期核融合機構による多視点空間統合を行う最初のビジュアルローカライゼーションフレームワークを提案する。 我々のフレームワークはVGGTのバックボーン上に構築されており、多視点3D形状を符号化している。 本研究では,グローバルアテンションの2次複雑さを回避し,計算コストを削減する新しいスパースマスクアテンション戦略を提案する。
  論文  参考訳（メタデータ） (2025-12-26T06:12:17Z)
• Visual Odometry with Transformers [68.453547770334]
  特徴抽出により単眼フレームのシーケンスを処理するビジュアル・オドメトリ・トランスフォーマ(VoT)を導入する。 従来の方法とは異なり、VoTは密度の高い幾何学を推定することなくカメラの動きを直接予測し、監視のためにカメラのポーズのみに依存する。 VoTは、より大きなデータセットで効果的にスケールし、より強力なトレーニング済みバックボーンの恩恵を受け、多様なカメラモーションとキャリブレーション設定を一般化し、従来のメソッドよりも3倍以上高速に動作しながらパフォーマンスを向上する。
  論文  参考訳（メタデータ） (2025-10-02T17:00:14Z)
• MapAnything: Universal Feed-Forward Metric 3D Reconstruction [63.79151976126576]
  MapAnythingは1つ以上の画像を取り込み、カメラの内在性、ポーズ、深さ、部分的な再構築など、任意の幾何学的入力を行う。 そして、メーター3Dシーンの幾何学とカメラを直接補強する。 MapAnythingは、単一のフィードフォワードパスで幅広い3Dビジョンタスクに対処する。
  論文  参考訳（メタデータ） (2025-09-16T18:00:14Z)
• Generative Modeling in Sinogram Domain for Sparse-view CT Reconstruction [12.932897771104825]
  CT検査では投射回数を直感的に減らすことで放射線線量を大幅に減少させることができる。 疎視データを用いた従来のディープラーニング技術では、教師付き方法でネットワークをトレーニングするためにスパースビュー/フルビューCTイメージペアが必要である。 スパース・ビューCT再構成のための非教師なしスコアベース生成モデルについて検討した。
  論文  参考訳（メタデータ） (2022-11-25T06:49:18Z)
• Surface Vision Transformers: Attention-Based Modelling applied to Cortical Analysis [8.20832544370228]
  球面多様体上に投影された任意の曲面データを研究するために、ドメインに依存しないアーキテクチャを導入する。 ビジョントランスモデルは、連続したマルチヘッド自己アテンション層を介してパッチのシーケンスを符号化する。 実験の結果、SiTは一般的に表面CNNよりも優れており、登録データと未登録データで比較可能であることがわかった。
  論文  参考訳（メタデータ） (2022-03-30T15:56:11Z)
• VoRTX: Volumetric 3D Reconstruction With Transformers for Voxelwise View Selection and Fusion [68.68537312256144]
  VoRTXは、多視点機能融合のためのトランスフォーマーを用いた、エンドツーエンドのボリューム3D再構成ネットワークである。 我々は、ScanNet上でモデルをトレーニングし、最先端の手法よりも優れた再構築を実現することを示す。
  論文  参考訳（メタデータ） (2021-12-01T02:18:11Z)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)

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。