用于多视角稀疏CT重建的Lipschitz约束网络提示
计算机视觉与模式识别
2025-11-26 v1 人工智能
摘要
尽管深度学习基于稀疏视角CT重建算法取得了显著进展，但这些方法仍面临两个主要局限性：(i) 由于其实证设计的本质，难以明确证明深度展开算法的先验网络满足Lipschitz约束。(ii) 在多视角情况下为每个设置训练单独模型的大量存储成本阻碍了实际临床应用。为解决这些问题，我们构建了一个可明确证明的Lipschitz约束网络，称为LipNet，并集成一个显式提示模块，以提供不同稀疏采样设置的判别性知识，实现对多种稀疏视角配置的单模型处理。进一步，我们开发了一个用于多视角稀疏CT重建的存储节省深度展开框架，称为PromptCT，将LipNet作为其先验网络以确保其相应迭代算法的收敛性。在模拟数据和真实数据实验中，PromptCT在多视角稀疏CT重建中超越基准重建算法，实现更高质量的重建且存储成本更低。在理论方面，我们明确证明LipNet满足边界属性，进而证明其Lipschitz连续性，并分析了所提迭代算法的收敛性。该数据和代码已公开于https://github.com/shibaoshun/PromptCT。
引用
@article{arxiv.2511.20296,
title = {Prompting Lipschitz-constrained network for multiple-in-one sparse-view CT reconstruction},
author = {Baoshun Shi and Ke Jiang and Qiusheng Lian and Xinran Yu and Huazhu Fu},
journal= {arXiv preprint arXiv:2511.20296},
year = {2025}
}