要旨: ニューラル表現（NR）—たとえばニューラルフィールドや3Dガウシアン—は、計算断層撮影（CT）における体積データを効果的にモデル化できますが、疎視野設定では深刻なアーティファクトに悩まされます。これに対処するため、拡散プリオリを用いてNRの最適化を強化する新しい枠組みDiffNRを提案します。中心となるのはSliceFixerで、劣化したスライスに生じたアーティファクトを修正するための単一ステップの拡散モデルです。ネットワークに特化した条件付けレイヤを統合し、モデルの微調整を支えるための専用のデータキュレーション戦略も開発します。再構成の際、SliceFixerは定期的に擬似参照ボリュームを生成し、制約が不足した領域を修正するための補助的な3D知覚（パーセプチュアル）監督を提供します。CTソルバを時間のかかる反復的なノイズ除去に組み込む従来手法と比べて、修復して補強する（repair-and-augment）戦略により、拡散モデルへの頻繁な問い合わせを回避できるため、より良い実行性能が得られます。大規模な実験の結果、DiffNRは平均でPSNRを3.99 dB向上させ、領域をまたいだ汎化性も良好で、効率的な最適化を維持することが示されています。
DiffNR：拡散強化ニューラル表現最適化によるスパースビュー3Dトモグラフィ再構成
arXiv cs.CV / 2026/4/24
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- DiffNRは、拡散ベースの事前知識を取り入れてスパースビュー3D CT再構成における深刻なアーティファクトを低減することで、ニューラル表現の最適化を改善する新しい枠組みです。
- 本手法の中心は、劣化したスライス中のアーティファクトを修正する単一ステップ拡散モデルであるSliceFixerであり、特殊なコンディショニング層と、微調整を支える設計されたデータキュレーション戦略によって支えられています。
- 推論時にはSliceFixerが疑似参照ボリュームを定期的に生成し、補助的な3D知覚損失によって、スパースビューで過小制約となる領域をより適切に修復します。
- CTソルバを反復的なノイズ除去ループに頻繁に組み込む従来手法と比べて、DiffNRは「repair-and-augment（修復と拡張）」戦略により拡散モデルへの頻繁な問い合わせを避け、実行時間性能を向上させます。
- 実験では平均PSNRが3.99 dB向上し、ドメインをまたいだ汎化性能が高く、最適化効率も維持されることが示されています。
