論文の概要: SparseTokenGS: Gaussian-based Sparse-View CBCT Reconstruction via Reusable Token Pool

• arxiv url: http://arxiv.org/abs/2610.38360v1
• Date: Wed, 28 Oct 2026 06:57:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.963882
• Title: SparseTokenGS: Gaussian-based Sparse-View CBCT Reconstruction via Reusable Token Pool
• Title（参考訳）: SparseTokenGS:Reusable Token Poolによるガウス型スパースビューCBCT再構成
• Abstract要約: Sparse-view cone-beam Computed Tomography は, 高速で低用量な容積像撮影や歯科領域の病変の局所化に広く用いられている。 フィードフォワードガウス法は、各座標をプロジェクション整列した特徴と隣接するアンカーからトレーニングしデコードする。 SparseTokenGSは,再利用可能なトークンプールを用いたスパースビューコーンビームCT再構成のためのガウスベース手法である。
• 参考スコア（独自算出の注目度）: 54.46124485920553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse-view cone-beam computed tomography is widely used for fast, low-dose volumetric imaging and lesion localization in dentistry and image-guided interventions, but it introduces severe artifacts. Feed-forward Gaussian methods transfer the reconstruction cost to training and decode each coordinate from projection-aligned features and neighboring anchors. However, information from the whole scan is written only when the field is constructed and cannot be retrieved during coordinate decoding, leaving the volume inconsistent within the scan. This is a common limitation of such methods: once the field is fixed, decoding uses only local features and reconstruction quality drops substantially. We propose SparseTokenGS, a Gaussian-based method for sparse-view cone-beam computed tomography reconstruction via a reusable token pool. Anchor Token Fusion and Point-Token Attention query this shared pool at the anchors and at the query coordinates, respectively. The local Gaussian prior is retained, and the volume is reconstructed in one forward pass, without per-scan optimization or a projection-domain loss. On three public chest and dental datasets, SparseTokenGS achieves the highest reconstruction performance among the compared methods. On clinical dental scans, reconstruction from only six projections reaches 29.51 decibels in peak signal-to-noise ratio and a structural similarity of 0.842 against the full-view reference, and off-the-shelf tooth-and-pulp segmentation keeps these structures separable for root-canal localization. Experiments on volcanic rock and chicken show performance after same-object adaptation. A reusable token pool gives feed-forward reconstruction a mechanism that keeps scan-wide context available through decoding and can benefit future rapid clinical lesion localization and analysis. The code is available at: https://github.com/FrankDengAI/SparseTokenGS.
• Abstract（参考訳）: Sparse-view cone-beam Computed Tomography は, 歯科治療における高速で低用量な体積像, 病変の局在, 画像ガイド下手術などに広く用いられているが, 重篤なアーティファクトを伴っている。 フィードフォワードガウス法は、各座標をプロジェクション整列した特徴と隣接するアンカーからトレーニングしデコードする。 しかし、スキャン全体からの情報は、フィールドが構築され、座標復号時に取得できない場合にのみ記述され、ボリュームはスキャン内で矛盾する。 フィールドが固定されると、復号法は局所的な特徴のみを使用し、復元品質は大幅に低下する。 SparseTokenGSは,再利用可能なトークンプールを用いたスパースビューコーンビームCT再構成のためのガウスベース手法である。 Anchor Token Fusion と Point-Token Attention はそれぞれアンカーとクエリの座標で共有プールをクエリする。 局所ガウス先行は保持され、体積はスキャンごとの最適化や射影領域の損失なしに1つの前方通過で再構成される。 SparseTokenGSは, 3つの公衆胸部および歯科用データセットにおいて, 比較した方法の中で最も高い再建成績を示した。 臨床歯科スキャンでは、6つの突起のみからの再構成は、ピーク信号-雑音比29.51デシベルに達し、フルビュー参照に対して0.842の構造的類似性が保たれ、オフ・ザ・シェルフ歯-パルプセグメンテーションはこれらの構造を根管局在に分離することができる。 火山岩とチキンの実験は, 同対象適応後の性能を示す。 再利用可能なトークンプールは、デコードを通じてスキャン全体のコンテキストを維持するメカニズムをフィードフォワードに提供し、将来の迅速な臨床病変の局在と分析に役立てることができる。 コードは、https://github.com/FrankDengAI/SparseTokenGSで入手できる。

関連論文リスト

• Lossless-INR: Lossless Volumetric Implicit Neural Representations [6.618761947019336]
  Inlicit Neural representation (INR) 法は、連続的な座標-値マッピングを提供し、直接ボリュームレンダリングと自然に統合する。 Lossless-INRは、ビット平面分解に基づく3次元科学的ボリュームデータのためのフレームワークである。 ロスレスINRはゼロビットエラー率とビットエクサクソン再構成を実現し、コンパクトな表現で忠実なレンダリングと下流分析を可能にする。
  論文  参考訳（メタデータ） (2026-07-20T16:50:15Z)
• Robust Scene Coordinate Regression via Geometrically-Consistent Global Descriptors [52.57327385675752]
  幾何学的構造と視覚的類似性の両方に整合したグローバルな記述子を学習するアグリゲータモジュールを提案する。 これにより、信頼できないオーバーラップスコアによる誤関連が修正される。 挑戦的なベンチマークの実験では、大規模環境ではかなりのローカライゼーションが得られた。
  論文  参考訳（メタデータ） (2025-12-19T04:24:03Z)
• From Sparse to Dense: Camera Relocalization with Scene-Specific Detector from Feature Gaussian Splatting [5.731406209558667]
  STDLocは完全な再ローカライゼーションパイプラインであり、前のポーズに頼ることなく正確な再ローカライゼーションを実現することができる。 STDLOCは、現在最先端のローカライゼーション手法よりも、ローカライゼーション精度とリコールの点で優れている。
  論文  参考訳（メタデータ） (2025-03-25T05:18:19Z)
• REGRACE: A Robust and Efficient Graph-based Re-localization Algorithm using Consistency Evaluation [23.41000678070751]
  ループ閉包は、ドリフトを補正し、一貫した地図を作成するのに不可欠である。 高精度な位置認識のための高密度点雲を用いた現在の手法は、計算コストの高いスキャン・スキャン・スキャン比較のため、うまくスケールしない。 我々は、スケーラビリティと再ローカライゼーションにおける視点差のこれらの課題に対処する新しいアプローチであるREGRACEを紹介する。
  論文  参考訳（メタデータ） (2025-03-05T15:32:38Z)
• SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
  深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。 しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。 スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-24T18:35:57Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• PERF: Performant, Explicit Radiance Fields [1.933681537640272]
  放射場に基づく画像に基づく3次元再構成手法を提案する。 体積再構成の問題は非線形最小二乗問題として定式化され、ニューラルネットワークを使わずに明示的に解かれる。
  論文  参考訳（メタデータ） (2021-12-10T15:29:00Z)
• CR-Fill: Generative Image Inpainting with Auxiliary Contexutal Reconstruction [143.7271816543372]
  本稿では,このようなパッチボローイング動作を,補助的文脈再構成タスクの協調訓練により,注意のないジェネレータに教えることを提案する。 補助分岐を学習可能な損失関数と見なすことができ、クエリ参照特徴類似性と参照ベース再構成器を塗布ジェネレータと共同最適化する。 実験結果から,提案した塗装モデルは,定量的および視覚的性能の観点から,最先端技術と比較して好適に比較できることが示された。
  論文  参考訳（メタデータ） (2020-11-25T15:45:12Z)

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。