論文の概要: Extremely Sparse-View Computed Tomography from 2D Projections via Pose-Aware Diffusion Priors

• arxiv url: http://arxiv.org/abs/2610.38319v1
• Date: Wed, 28 Oct 2026 06:08:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.958768
• Title: Extremely Sparse-View Computed Tomography from 2D Projections via Pose-Aware Diffusion Priors
• Title（参考訳）: Pose-Aware Diffusion Priors による2次元プロジェクションからの超低周波CT
• Abstract要約: トレーニングサンプル1枚あたりの2次元投影からポーズ認識拡散を学習し,列車スパース/推論スパース設定について検討した。 提案手法は, 1-, 4-, 8-view設定の2つの公開CTデータセットに対して, 最高の新規視合成スコアと, 最高の, 競争力のある再構成品質を実現する。
• 参考スコア（独自算出の注目度）: 21.35178090649536
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Extremely sparse-view computed tomography (xSV-CT) is critical when scanning time, motion, or radiation tolerance limits each scan to only a few projections. In many such scenarios, the same acquisition limits also constrain dataset construction, making pre-reconstructed 3D volumes from dense scans unavailable. This exposes a gap in current sparse-view approaches: Optimization-based methods, which use the sparse measurements directly but lack data-driven priors to suppress artifacts, and learning-based methods, which use strong priors but usually require densely scanned training volumes acquired outside the xSV-CT regime. We study this train-sparse / infer-sparse setting by learning a pose-aware diffusion prior from one 2D projection per training sample, then guiding diffusion sampling with measured-view fidelity, shared-volume reprojection, and projection-physics consistency for tomographic reconstruction. On two public CT datasets across 1-, 4-, and 8-view settings, the proposed method achieves the best novel-view synthesis scores and best or competitive reconstruction quality compared with baselines that use dense-volume supervision.
• Abstract（参考訳）: 走査時間、運動、放射線耐性が各スキャンの射影に制限される場合、極端にスパース・ビューの計算断層撮影(xSV-CT)が重要となる。 このようなシナリオの多くでは、同じ取得制限がデータセットの構築を制約しているため、高密度スキャンから事前再構成された3Dボリュームは利用できない。 これは現在のスパースビューアプローチのギャップを露呈している: 最適化ベースの手法は、直接的にスパース測定を使用するが、アーティファクトを抑えるためにデータ駆動の事前を欠く、学習ベースの手法は、強い事前を使用するが、通常、xSV-CT体制外で取得した密にスキャンされたトレーニングボリュームを必要とする。 トレーニングサンプルあたりの2次元プロジェクションから2次元プロジェクションよりも先にポーズ認識拡散を学習し,その拡散サンプリングを計測されたビュー忠実度,共有ボリューム再プロジェクション,およびトモグラフィ再構成のための投影・物理整合性で導くことにより,この列車スパース/インフェル・スパース設定について検討した。 提案手法は,1-,4-,8-view設定の2つの公開CTデータセットに対して,高密度ボリューム監視を用いたベースラインと比較して,最高の新規ビュー合成スコアと最適あるいは競争的な再構成品質を実現する。

関連論文リスト

• 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)
• Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model [20.480681036392173]
  高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。 超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
  論文  参考訳（メタデータ） (2025-11-18T10:14:28Z)
• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
  スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。 暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:38:30Z)
• Uncertainty-guided Optimal Transport in Depth Supervised Sparse-View 3D Gaussian [49.21866794516328]
  3次元ガウシアンスプラッティングは、リアルタイムな新規ビュー合成において顕著な性能を示した。 これまでのアプローチでは、3Dガウスの訓練に奥行き監視を取り入れ、オーバーフィッティングを軽減してきた。 本研究では,3次元ガウスの深度分布を可視化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:18:30Z)
• APRF: Anti-Aliasing Projection Representation Field for Inverse Problem in Imaging [74.9262846410559]
  Sparse-view Computed Tomography (SVCT) は画像の逆問題である。 近年の研究では、インプリシット・ニューラル・リ表現(INR)を用いて、シングラムとCT画像の座標に基づくマッピングを構築している。 自己教師型SVCT再構成法の提案 -抗エイリアス射影表現場(APRF)- APRFは空間的制約によって隣接する投影ビュー間の連続的な表現を構築することができる。
  論文  参考訳（メタデータ） (2023-07-11T14:04:12Z)
• One at a Time: Progressive Multi-step Volumetric Probability Learning for Reliable 3D Scene Perception [59.37727312705997]
  本稿では,複雑な3次元ボリューム表現学習を生成段階の列に分解することを提案する。 強力な生成拡散モデルにより達成された最近の進歩を考えると、我々はVPDと呼ばれる多段階学習フレームワークを導入する。 SSCタスクでは、Semantic KITTIデータセット上でLiDARベースのメソッドを初めて越える作業として際立っている。
  論文  参考訳（メタデータ） (2023-06-22T05:55:53Z)
• Simulator-Based Self-Supervision for Learned 3D Tomography Reconstruction [34.93595625809309]
  従来の機械学習アプローチでは、トレーニングのために別のアルゴリズムで計算された参照再構成が必要となる。 我々は、ノイズの多い2次元X線データのみを用いて、完全に自己教師された方法でモデルを訓練する。 以上の結果から,既存の再建技術よりも視覚的忠実度が高く,PSNRが優れていた。
  論文  参考訳（メタデータ） (2022-12-14T13:21:37Z)
• 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)
• Using the Order of Tomographic Slices as a Prior for Neural Networks Pre-Training [1.1470070927586016]
  ボリュームの代わりにスライス上でSortingLossを事前学習する手法を提案する。 ボリュームではなくスライスで事前トレーニングを行うので、スライスのスパースセットでモデルを微調整することができる。 提案手法はSimCLRと同等に動作し、2倍高速に動作し、1.5倍少ないメモリを必要とすることを示す。
  論文  参考訳（メタデータ） (2022-03-17T14:58:15Z)

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。