通过骨骼潜在扩散实现高保真医学形状生成

解剖形状建模是医学数据分析中的基础问题。然而，解剖结构的几何复杂性和拓扑可变性为准确的解剖形状生成带来了重大挑战。本文提出了一种骨骼潜在扩散框架，显式地引入结构先验，以实现高效且高保真的医学形状生成。我们引入一个形状自编码器，其中编码器通过可微分骨骼化模块捕获全局几何信息，并将局部表面特征聚合为形状潜在表示；解码器则预测稀疏采样坐标上的相应隐式场。通过潜在空间扩散模型生成新形状，随后进行神经隐式解码和网格提取。为解决医学形状数据有限的难题，我们构建了一个大型数据集 \textit{MedSDF}，包含跨多个解剖类别的表面点云及其对应的符号距离场。在 MedSDF 和血管数据集上的大量实验表明，所提方法在保持更高计算效率的同时，实现了优于现有方法的重建和生成质量。代码已公开：https://github.com/wlsdzyzl/meshage。