学习稀疏视角 CT 的全局表征蒸馏
稀疏视图 CT 重建研究中，3D 高斯模型的应用表现出更好的收敛性和新视图渲染，其通过启发来自滤波反投影重建图像的先验信息去初始化高斯模型，并通过在投影空间中比较差异来更新其参数，自适应密度控制进一步提高了性能，相比隐式神经表示方法 (INR) 3D 高斯模型更能从先验信息中受益，将性能更高效地分配在空白区域，加速了收敛速度，同时也能高效地学习高频细节。在自监督学习的方式下进行训练，3D 高斯模型避免了大规模配对数据的需求。对 AAPM-Mayo 数据集的实验证明，相比基于 INR 的方法，3D 高斯模型能够提供更优异的性能。
Dec, 2023
使用数学理论设计优化的深度学习算法，提出了一种新颖的双域深度展开统一框架，结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能，为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。
May, 2024
本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。
Dec, 2020
通过稀疏视图重建减少辐射剂量的研究方向中，我们提出了一种新的重建框架，名为 DIF-Gaussian，利用三维高斯函数在三维空间中表示特征分布，通过测试时优化改进模型的泛化能力，通过在两个公共数据集上的评估结果，显示出明显优于最先进方法的重建性能。
Jul, 2024
GaSpCT 是一种新颖的视图合成和 3D 场景表示方法，用于生成计算机断层扫描（CT）扫描的新颖投影视图，无需运动结构学（SfM）方法，在总体扫描时间和患者接受的辐射剂量方面减少。
Apr, 2024
我们提出了一种新方法，通过建模原始信号的梯度来实现更高效的存储和计算性能，使用稀疏的梯度进行视图合成，从而使计算性能提高了 100-1000 倍，同时可以通过解决一个具有线性计算复杂度的泊松方程来恢复二维图像。该方法在人体建模和室内环境建模等各种应用中都可应用。
May, 2024
提出了一种利用多尺度扩散模型的超稀疏视角 CT 重建方法，通过对图像信息的全局分布和局部特征进行重新构建，大大改善了超稀疏角度下图像重建质量，并在各种数据集中具有良好的泛化性能。
May, 2024
GLIMPSE 是一种针对计算机断层扫描的局部处理神经网络，通过仅将与像素周围邻域相关的测量结果提供给简单的多层感知机（MLP）以重建像素值，在分布内测试数据上达到与成功的卷积神经网络（如 U-Net）相当或更好的性能，而在分布外的样本上明显优于它们，并且几乎独立于图像分辨率的内存占用，仅需 5GB 内存即可训练 1024x1024 的图像。
Jan, 2024
提出了一种基于深度学习和自适应模型的方法，名为 FreeSeed，该方法可以弥补片段图像的缺失和伪造，并显示出优于现有技术的表现。
Jul, 2023