DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction

Paper ID: 2604.21518 • 26 Upvotes

3D Reconstruction Diffusion Models Neural Fields Medical Imaging Computer Vision RAG Vision

DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction

📝 핵심 요약

희소 뷰 3D CT 재구성을 위해 확산 모델 기반의 신경 표현 최적화 기법을 도입하여 재구성 품질을 획기적으로 개선하고 효율성을 높였습니다.

📖 상세 내용

신경 표현(NRs)은 CT 볼륨 데이터를 모델링하는 데 효과적이지만, 희소 뷰 환경에서는 심각한 아티팩트 문제를 겪습니다. 이를 해결하기 위해 본 논문은 확산 사전(diffusion priors)을 활용하여 신경 표현 최적화를 강화하는 DiffNR 프레임워크를 제안합니다. 핵심은 손상된 슬라이스의 아티팩트를 단일 단계로 수정하는 확산 모델인 SliceFixer입니다. 이 모델은 특수 조건화 레이어와 맞춤형 데이터 큐레이션 전략을 통해 학습되며, 재구성 과정에서 주기적으로 의사 참조 볼륨을 생성하여 3D 지각적 감독을 제공합니다. 기존 확산 기반 방법보다 효율적인 "수정 및 증강" 전략으로 PSNR을 평균 3.99 dB 향상시키고, 다양한 도메인에 잘 일반화되며, 효율적인 최적화를 유지합니다.

🔑 주요 내용 (Key Points)

확산 사전(diffusion priors)을 활용하여 희소 뷰 3D CT 재구성의 신경 표현 최적화를 강화하는 DiffNR 프레임워크 제안
손상된 슬라이스의 아티팩트를 단일 단계로 수정하는 효율적인 확산 모델인 SliceFixer 개발
빈번한 확산 모델 쿼리를 피하고 주기적인 의사 참조 볼륨 생성을 통해 효율적인 3D 지각적 감독을 제공하는 "수정 및 증강" 전략 도입

💡 실무적 가치 (Relevance)

제한된 데이터로 고품질 3D 재구성을 가능하게 하여 의료 영상 진단, 산업 검사 등 다양한 분야에서 활용될 잠재력이 큽니다. 특히 기존 확산 모델 기반 접근 방식보다 효율적인 재구성 속도를 제공하여 실제 시스템에 적용하기 용이합니다.

✅ 추천 액션 (Actionable Items)

의료 영상(예: 저선량 CT) 또는 산업용 비파괴 검사 등 특정 희소 뷰 CT 데이터셋에 DiffNR을 적용하여 재구성 품질을 평가해 보세요.
SliceFixer가 다양한 종류의 아티팩트(예: 스트라이크, 빔 경화)에 대해 얼마나 효과적으로 작동하는지 분석하고, 필요시 모델 구조를 개선해 보세요.
DiffNR의 "수정 및 증강" 전략이 기존의 반복적인 확산 기반 재구성 방법들과 비교하여 실제 환경에서 어느 정도의 런타임 성능 이점을 제공하는지 벤치마크 테스트를 수행해 보세요.

View on Hugging Face View PDF (arXiv)