論文の概要: Taming Neural Fields with a Frequency-Lipschitz Curriculum for Sparse-View CT Reconstruction
- arxiv url: http://arxiv.org/abs/2611.15652v1
- Date: Wed, 11 Nov 2026 16:01:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.190961
- Title: Taming Neural Fields with a Frequency-Lipschitz Curriculum for Sparse-View CT Reconstruction
- Title(参考訳): Sparse-View CT再構成のための周波数リプシッツ計算によるニューラルネットワークのモデリング
- Abstract要約: FLIC (Frequency-Lipschitz INR Curriculum) は、キャパシティ制御の自己一様INRフレームワークである。
我々は,高次解剖学的境界付近で集積試料を集束する事前誘導適応線サンプリング戦略を導入する。
フレームワーク全体が反復的な装飾なしで単一のトレーニング段階で動作し、画像毎の効率的な再構築を可能にします。
- 参考スコア(独自算出の注目度): 6.317999735923139
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sparse-view computed tomography (SVCT) reduces radiation dose by acquiring fewer projection views, but the resulting under-determined inverse problem requires careful regularization to prevent reconstruction algorithms from fitting streak artifacts and hallucinated structures. Existing implicit neural representation (INR) methods rely on implicit spectral bias or iterative external denoising, yet they provide limited control over when high-frequency capacity is exposed during optimization. To address this limitation, we propose FLIC (Frequency-Lipschitz INR Curriculum), a capacity-controlled self-prior INR framework that makes the network's representational capacity explicit and schedulable. The core of our method is a joint frequency-Lipschitz curriculum that couples random Fourier feature encoding with spectrally normalized MLP decoding under non-uniform Lipschitz budgets, guiding reconstruction along a coarse-to-fine trajectory from stable global anatomy to fine details. The terminal capacity is automatically calibrated from FBP gradient statistics, enabling scan-adaptive regularization without per-scan manual tuning of the terminal Lipschitz budget. We further introduce a prior-guided adaptive ray sampling strategy that concentrates integration samples near high-gradient anatomical boundaries, improving forward-model fidelity. The entire framework operates in a single training stage without iterative denoising, enabling efficient per-image reconstruction. Extensive experiments on four public CT datasets under noise-free and low-dose settings show that our method achieves state-of-the-art unsupervised reconstruction quality with consistent performance across diverse anatomical structures.
- Abstract(参考訳): Sparse-view Computed Tomography (SVCT) はプロジェクションビューを減らして放射線線量を削減するが、結果として得られる過度な逆問題では、再構成アルゴリズムがストリークアーティファクトや幻覚構造に収まらないように、慎重に正規化する必要がある。
既存の暗黙の神経表現(INR)法は、暗黙のスペクトルバイアスや反復的な外部認知に依存しているが、最適化中に高周波容量が露出した場合に限定的な制御を提供する。
この制限に対処するため,FLIC(Frequency-Lipschitz INR Curriculum)を提案する。
本手法の核となるのは、非一様リプシッツ予算の下で、ランダムなフーリエ特徴符号化とスペクトル正規化MLPデコーディングを併用し、安定な大局的解剖学から細部まで、粗大な軌道に沿った再構成を導出する結合周波数-リプシッツカリキュラムである。
端末のキャパシティは、FBP勾配統計から自動的に調整され、端末のリプシッツ予算のスキャンごとの手動チューニングなしでスキャン適応正規化が可能である。
さらに,高次解剖学的境界付近に集積サンプルを集中させ,前方モデルの忠実度を向上する,事前誘導適応線サンプリング戦略を導入する。
フレームワーク全体が反復的な装飾なしで単一のトレーニング段階で動作し、画像毎の効率的な再構築を可能にします。
ノイズフリーおよび低線量条件下での4つの公開CTデータセットに対する大規模な実験により,本手法は種々の解剖学的構造にまたがる一貫した性能で,最先端の教師なし再構成品質を実現することを示す。
関連論文リスト
- Spectrally optimized implicit neural representations mitigate acquisition-related image quality trade-offs in intracranial 4D Flow MRI [28.9274280743353]
頭蓋内4次元フローMRIのためのスペクトル調整型暗黙的神経表現(INR)フレームワークを提案する。
健常者および中等度から重症の頭蓋内動脈硬化症9例を対象に,データ駆動型および物理インフォームド変種の評価を行った。
このフレームワークは、取得現実的なノイズと中程度のVENC依存のエイリアスに対して頑健なままであった。
論文 参考訳(メタデータ) (2026-10-23T10:03:39Z) - CG-GLORE: A Conjugate Gradient-Based Global-Local Regularization Network for Sparse-View CT Reconstruction [3.7567584936415166]
スパースビューCT (Sparse-view Computed Tomography) はプロジェクションビューを少なくすることで放射線線量を減らすが、結果として生じる逆問題は非常に悪化する。
既存のディープリコンストラクション手法は有望な性能を達成したが、多くは1次更新や大規模な正規化ネットワークに依存している。
スパース・ビューCT再構成のための2次最適化にインスパイアされた,コンパクトなディープ・アンローリング・フレームワークである textbfCG-GLORE を提案する。
論文 参考訳(メタデータ) (2026-08-15T14:08:44Z) - DeVAR: Low-Dose CT Denoising via Visual Autoregressive Modeling [14.938419722549575]
低線量CT(LDCT)プロトコルは放射線リスクを低減させるが、診断精度を損なう重いノイズや人工物に必然的に苦しむ。
LDCTに視覚オートレモデリングを適用した新しい生成フレームワークを提案する。
我々のハイブリッドNDCTデコーダは、連続的および離散的な潜像をシームレスに統合し、高忠実で詳細保存された画像の再構成を行う。
論文 参考訳(メタデータ) (2026-06-26T09:55:37Z) - Projection-Volume Fidelity Divergence: Diagnosing and Controlling Optimization Drift in Sparse-View 3D Gaussian Tomography [11.284905409634957]
スパースビューガウストモグラフィのためのグラウンドトルースフリー最適化コントローラ LADES を提案する。
スパースビューCT再構成実験により, LADESは容積忠実度を向上し, 構造劣化を抑制し, トレーニング時間を著しく短縮することが示された。
論文 参考訳(メタデータ) (2026-06-21T14:24:02Z) - LUCID: Learned Undersampling-Adaptive Consistency-Guided Inference with Deterministic Flow Matching for Sparse-View CT Reconstruction [6.182438051513934]
スパースビューCTはプロジェクションビューを減らすことで放射線線量と走査時間を短縮する。
角のアンダーサンプリングは、復元がひどく悪化し、ストリークアーティファクト、構造的なぼやけ、細部が失われる。
スパース・ビューCTに先立って,フローマッチング生成に基づく疎結合型一貫性誘導型再構成フレームワークであるLucidを提案する。
論文 参考訳(メタデータ) (2026-06-15T04:38:30Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳(メタデータ) (2026-05-21T16:45:31Z) - Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳(メタデータ) (2026-05-19T04:40:50Z) - Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳(メタデータ) (2025-12-13T08:31:46Z) - Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。
我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。
我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
論文 参考訳(メタデータ) (2024-10-21T22:40:42Z) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳(メタデータ) (2021-12-31T11:56:01Z)
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。