基于自校准神经场的联合刚体运动校正与稀疏视角 CT 重建
图像与视频处理
2022-11-08 v2 计算机视觉与模式识别
摘要
神经辐射场（NeRF）作为一种自监督深度学习框架，在稀疏视角计算机断层扫描（SVCT）重建任务中已广受关注。基于 NeRF 的 SVCT 方法将所需的 CT 图像表示为空间坐标的连续函数，并训练一个多层感知机（MLP）通过最小化 SV 正弦图的损失来学习该函数。得益于 NeRF 提供的连续表示，可以重建出高质量 CT 图像。然而，现有基于 NeRF 的 SVCT 方法严格假设 CT 采集过程中完全无相对运动，因为它们需要\textit{精确}的投影位姿来建模扫描 SV 正弦图的 X 射线。因此，这些方法在存在运动的真实 SVCT 成像中性能严重下降。在本工作中，我们提出一种自校准神经场，从受刚体运动破坏的 SV 正弦图中恢复无伪影图像，且不使用任何外部数据。具体而言，我们将刚体运动导致的不准确投影位姿参数化为可训练变量，然后联合优化这些位姿变量与 MLP。我们在公开 CT 图像数据集上进行了数值实验。结果表明，在四种不同水平刚体运动下，我们的模型显著优于两种代表性的基于 NeRF 的 SVCT 重建方法。
引用
@article{arxiv.2210.12731,
title = {Joint Rigid Motion Correction and Sparse-View CT via Self-Calibrating Neural Field},
author = {Qing Wu and Xin Li and Hongjiang Wei and Jingyi Yu and Yuyao Zhang},
journal= {arXiv preprint arXiv:2210.12731},
year = {2022}
}
备注
5 pages