Dec, 2023

稀疏视角下的 CT 重建与 3D 高斯体积表示

PDF
TL;DR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。
sparse-view ct3d gaussiansreconstructionprior informationself-supervised learning
发现论文，激发创造
  • 学习 3D 高斯函数对极度稀疏视图的锥束 CT 重建

    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

  • 鲁棒联合稀疏视图 CT 重建的隐式神经表示

    通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

    May, 2024

  • 基于深度神经网络的稀疏采样 CT 成像正规化合成

    介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

    Mar, 2018

  • GaSpCT: 高斯喷点在新型 CT 投影视图合成中的应用

    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

  • CoherentGS：具有连贯性的稀疏新视角合成与连贯 3D 高斯函数

    通过结构化的高斯表示和正则化优化，以及深度基于初始化来解决三维重建中稀疏输入图像的挑战，提高了与现有方法相比的重建质量。

    Mar, 2024

  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    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

  • R$^2$- 高斯：纠正放射高斯喷射用于层析重建

    本文介绍了第一个基于 3D 高斯喷洒（3DGS）的稀疏视图层析重建框架 R2-Gaussian，通过从 3D 到 2D 高斯的重投影，引入了定制高斯核、扩展到 X 射线成像以及基于 CUDA 的可微体素化器等三个关键创新，通过大量实验证明，我们的方法在 PSNR 和 SSIM 方面优于最先进的方法 0.93 dB 和 0.014，关键是能够在 3 分钟内产生高质量结果，比 NeRF 方法快 12 倍，并与传统算法持平，凸显出其实用价值。

    May, 2024

  • C^2RV：稀疏视图 CBCT 重建的跨地域和跨视图学习

    通过利用显式多尺度体素表示来实现三维空间中的区域间学习，并引入比例 - 视图交叉注意模块以自适应地聚合多尺度和多视图特征，我们提出了 C^2RV 方法，通过广泛实验证明其在具有多样化解剖结构的数据集上相比先前的领先方法实现了一致并显著的改进。

    Jun, 2024

  • SparseGS：使用高斯投影进行实时 360° 稀疏视图合成

    我们提出了一种从稀疏训练视角中训练一致的基于 3DGS 的辐射场的方法，通过集成深度先验、生成和显式约束来减少背景折叠、移除浮点值，并增强来自未见视角的一致性，实验证明我们的方法在 MipNeRF-360 数据集上以较少的训练和推理成本超过了基本的 3DGS 的 30.5% 和基于 NeRF 的方法的 15.6%。

    Nov, 2023

  • 紧凑的三维高斯辐射场表示

    通过学习性的掩码策略和向量量化，我们减少了高斯点的数量和占用的存储空间，实现了高性能、快速训练、紧凑且实时的渲染，提供了一个全面的三维场景表示框架。

    Nov, 2023