ILV：用于快速准确稀疏视角 CT 重建的迭代潜在体积
计算机视觉与模式识别
2026-03-17 v1
摘要
CT 成像的一个长期目标是实现从稀疏视角投影进行快速准确的 3D 重建，从而降低辐射暴露、降低系统成本，并在临床工作流程中实现及时成像。最近的前馈方法在实现这一目标方面显示出强大的潜力，但其结果仍受损 artifacts 和细节丢失的限制。本文引入了迭代潜在体积 (ILV)，一种将数据驱动的先验与经典迭代重建原理相结合的前馈框架，以克服先前前馈模型在稀疏视角 CBCT 重建中的关键局限性。ILV 的核心在于构建一个显式的 3D 潜在体积，通过在多视角 X 射线特征和学习到的解剖先验条件下反复更新，从而实现对先前前馈模型难以到达的细节结构的恢复。此外，我们开发并集成了若干关键架构组件，包括 X 射线特征体积、组交叉注意力、高效自注意力和视角特征聚合，高效实现其核心潜在体积细化概念。对约 14,000 份 CT 体积数据的大规模实验表明，ILV 在重建质量和速度上均显著优于现有的前馈和基于优化的方法。这些结果表明，ILV 能够实现适用于临床的快速准确稀疏视角 CBCT 重建。项目页面地址：https://sngryonglee.github.io/ILV/。
引用
@article{arxiv.2603.14915,
title = {ILV: Iterative Latent Volumes for Fast and Accurate Sparse-View CT Reconstruction},
author = {Seungryong Lee and Woojeong Baek and Joosang Lee and Eunbyung Park},
journal= {arXiv preprint arXiv:2603.14915},
year = {2026}
}
备注
Project page: \url{https://sngryonglee.github.io/ILV/}