DiffNR: 拡散モデル活用によるスカラー場・3D 高斯関数最適化手法の提案：視部数が少ない 3D 断層画像再構成におけるアートの抑制

arXiv:2604.21518v1 Announce Type: cross 抽象：ニューラル表現（NRs）であるニューラル場や 3D 高ス関数は、計算断層撮影（CT）における体積データを効率的にモデル化するが、視部数が少ない環境では重篤なアーチファクトを引き起こす。これを解決するため、我々は拡散事前知識を用いて NR 最適化を強化する新しい枠組み DiffNR を提案する。その核心は、劣化したスライスのアートファクトを修正するために設計された 1 ステップの拡散モデルである SliceFixer であり、特化された条件付けレイヤーをネットワークに統合し、モデルのファインチューニングをサポートするための独自のカuration戦略を開発した。再構成の最中に、SliceFixer は定期的に偽の参照体積を生成し、3D 知覚监督の補助情報を提供して制約された領域を修正する。以前の方法が CT ソルバーを時間のかかる反復的なノイズ除去に埋め込むのに対し、私達の修復と増強戦略は頻繁な拡散モデルクエリを回避することで、より高い実行効率を実現している。大規模な実験により、DiffNR は平均 PSNR を 3.99 dB 向上させ、ドメインに跨って優れた一般化能力を示し、効率的な最適化を維持したことを確認した。

arXiv:2604.21518v1 Announce Type: cross Abstract: Neural representations (NRs), such as neural fields and 3D Gaussians, effectively model volumetric data in computed tomography (CT) but suffer from severe artifacts under sparse-view settings. To address this, we propose DiffNR, a novel framework that enhances NR optimization with diffusion priors. At its core is SliceFixer, a single-step diffusion model designed to correct artifacts in degraded slices. We integrate specialized conditioning layers into the network and develop tailored data curation strategies to support model finetuning. During reconstruction, SliceFixer periodically generates pseudo-reference volumes, providing auxiliary 3D perceptual supervision to fix underconstrained regions. Compared to prior methods that embed CT solvers into time-consuming iterative denoising, our repair-and-augment strategy avoids frequent diffusion model queries, leading to better runtime performance. Extensive experiments show that DiffNR improves PSNR by 3.99 dB on average, generalizes well across domains, and maintains efficient optimization.