論文の概要: Gaussian Material Fields for Volumetric Multi-Energy CT Decomposition

• arxiv url: http://arxiv.org/abs/2610.09492v1
• Date: Wed, 07 Oct 2026 05:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.7417
• Title: Gaussian Material Fields for Volumetric Multi-Energy CT Decomposition
• Title（参考訳）: 体積多エネルギーCT分解のためのガウス材料場
• Abstract要約: 共有異方性3次元プリミティブと独立非負の材料係数を持つ複数の材料分布を表すガウス材料場を紹介する。 共有幾何は連続的な空間基底を定義し、係数は個々の物質場へのそれぞれの原始的な寄与を決定する。 提案手法は, NRMSEを33.45%削減しつつ, 平均PSNRを4.03dB, SSIMを4.96%改善することを示した。
• 参考スコア（独自算出の注目度）: 32.74618282402063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Volumetric material decomposition in multi-energy computed tomography requires a representation that organizes multiple three-dimensional material fields in a common spatial domain while retaining differences in composition and local structure. We observe that spatial primitives can be shared across materials without tying their coefficients, but their local capacity must respond to material-specific reconstruction needs. We introduce Gaussian material fields, which represent multiple material distributions with shared anisotropic 3D Gaussian primitives and independent nonnegative material coefficients. The shared geometry defines a continuous spatial basis, while the coefficients determine each primitive's contribution to the individual material fields. To reconstruct this representation from multi-energy projections, a differentiable spectral forward model combines Gaussian material path integrals with a calibrated basis matrix, enabling joint optimization of spatial geometry and material composition. Material-aware adaptive density control retains material-specific refinement evidence before aggregation and adjusts local representation capacity to accommodate both spatially extensive components and sparse details. Experiments use synthesized multi-energy projections generated from pseudo-reference material maps constructed by conventional methods from publicly available CT data. Across 15 cases, our approach improves average PSNR by 4.03 dB and SSIM by 4.96% over the strongest baseline, while reducing NRMSE by 33.45%. Material-wise comparisons and component ablations support improved recovery of localized structures, while runtime and memory measurements show favorable computational scaling. These results establish Gaussian material fields as an explicit, adaptive representation for volumetric multi-material reconstruction.
• Abstract（参考訳）: 多エネルギー計算トモグラフィーにおける体積材料の分解には、組成と局所構造の違いを保ちながら、共通空間領域における複数の三次元物質場を整理する表現が必要である。 空間的プリミティブは、それらの係数を結び付けることなく、材料間で共有することができるが、それらの局所的な容量は、材料固有の再構築ニーズに応答する必要がある。 共有異方性3次元ガウスプリミティブと独立非負の材料係数を持つ複数の物質分布を表すガウス材料場を導入する。 共有幾何は連続的な空間基底を定義し、係数は個々の物質場へのそれぞれの原始的な寄与を決定する。 この表現を多エネルギー射影から再構成するために、微分スペクトルフォワードモデルはガウスの物質経路積分と校正基底行列を組み合わせ、空間幾何学と材料組成の合同最適化を可能にする。 物質認識適応密度制御は、凝集前に材料固有の精細化証拠を保持し、局所的な表現能力を調整し、空間的に広いコンポーネントとスパース細部の両方に対応させる。 実験では、従来の方法で構築された擬似参照材料マップから生成された合成多エネルギープロジェクションを、一般公開されたCTデータから使用した。 15例中平均PSNRを4.03dB、SSIMを4.96%改善し、NRMSEを33.45%削減した。 物質的比較とコンポーネントの短縮により、局所構造の回復が向上し、実行時とメモリの測定値が良好な計算スケーリングを示している。 これらの結果はガウス的材料場を容積的多材料再構成の明示的適応表現として確立する。

関連論文リスト

• Beyond Unimodal Bases: Pullback Geometry for Multimodal Data [20.649125365496605]
  本稿では,多様体の混合上でのデータに対するプルバック幾何を提案する。 提案した幾何と高次領域を通る経路の間の公式な関係を導出する。 実験では、輸送歪みの低減、競合経路のサポート、近接参照軌道の回復、リアリズムの改善が示されている。
  論文  参考訳（メタデータ） (2026-09-30T20:55:56Z)
• SpectralCTGaussians: Projection-Domain Reconstruction and Basis Material Decomposition for Spectral CT using 3D Gaussian Splatting [6.300892296220585]
  3次元ガウススプラッティングを用いたスペクトルCT再構成法と基材分解法を提案する。 提案手法を,ベースライン実世界のデータセットと,導入した合成データセットに基づいて評価する。
  論文  参考訳（メタデータ） (2026-08-29T00:44:54Z)
• Low-Cost High-Order Singular Value Decomposition for Tensor-Based Reconstruction from Sparse Sensor Measurements: Urban Flow and Air-Quality Applications [7.808315103505624]
  本研究では,高次元環境分野を対象とした新しいテンソルベーススパースセンシング再構築フレームワークを提案する。 著者の知る限り、この手法は空間再構成のためのスパースセンシングとHOSVDを組み合わせた最初の手法である。 この手法は3次元の速度場と汚染物質濃度場を、利用可能な空間的位置の1～4%だけを用いて再構成する都市流れと大気質データセットに適用できる。
  論文  参考訳（メタデータ） (2026-06-23T14:39:50Z)
• SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
  物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。 本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
  論文  参考訳（メタデータ） (2026-03-25T06:14:03Z)
• Learning ORDER-Aware Multimodal Representations for Composite Materials Design [15.819480337529741]
  ORDinal-aware imagE-tabulaRアライメント(ORDER)は,複合材料表現の中核原理としてオーディナリティを確立するマルチモーダル事前学習フレームワークである。 ORDERは、類似の標的特性を持つ物質が潜在空間の近傍領域を占めることを保証し、複合物性の連続的な性質を効果的に保存する。
  論文  参考訳（メタデータ） (2026-01-23T06:39:01Z)
• CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Ray-driven Spectral CT Reconstruction Based on Neural Base-Material Fields [10.684377265644045]
  スペクトルCT再構成において、基本材料分解は積分方程式の大規模非線形系を解くことを伴う。 本稿では、ニューラルネットワーク表現を用いて物体の減衰係数をパラメータ化するモデルを提案する。 線駆動神経場に基づく線積分の軽量な離散化法を導入する。
  論文  参考訳（メタデータ） (2024-04-10T13:10:52Z)
• Optimal radial basis for density-based atomic representations [58.720142291102135]
  データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。 トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。 この構成が精度と計算効率のよい表現をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-05-18T17:57:08Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)

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。