NAB：稀疏视图CT重建的神经自适应分箱

计算机断层扫描（Computed Tomography, CT）在检查工业对象内部结构方面发挥着关键作用。此外，实现来自稀疏视图的高质量CT重建对于减少生产成本至关重要。虽然经典的隐式神经网络在稀疏重建方面显示出有前景的效果，但它们无法利用对象形状的先验信息。受注意到诸多工业对象呈现矩形结构这一观察的启发，我们提出一种新颖的神经自适应分箱（Neural Adaptive Binning, NAB）方法，有效地将矩形先验集成到重建过程中。具体而言，我们的方法首先将坐标空间映射到分箱向量空间。该映射依赖于基于移位双曲正切函数差异的创新性分箱机制，其中我们的扩展支持围绕输入平面法向量的旋转。 resulting representations 然后由神经网络处理，以预测CT衰减系数。这一设计使编码参数——包括位置、大小、陡峭度和旋转——能够通过投影数据中的梯度流进行端到端优化，从而增强重建精度。通过调整分箱函数的光滑性，NAB可以推广到更复杂几何形状的对象。该研究为将形状先验集成到基于神经网络的重建中提供了新的视角。广泛的实验表明，NAB在两个工业数据集上取得优异性能。它在 binning function 扩展为更一般表达式后，同样在医疗数据集上保持稳健性。代码已公开于 https://github.com/Wangduo-Xie/NAB_CT_reconstruction。