重复拼接：2D到3D图像翻译中的3D到3D生成模型

本文探讨了一种用于2D到3D图像翻译的方法，通过简单直接的技术手段，实现相关的2D X射线到3D CT-like重建。我们注意到，现有方法通过在潜在空间中整合多个2D视图的信息，在潜在编码过程中丢失了宝贵的信号信息。相反，我们仅通过重复和拼接2D视图形成高通道3D体积，将3D重建挑战视为一个直接的3D到3D生成建模问题，从而规避了若干复杂的建模问题。该方法使重建的3D体积能够保留来自2D输入的宝贵信息，这些信息在Swin UNETR backbone中以通道状态传递。我们的方案应用神经最优传输，该方法训练快且稳定，有效地在无需精确对齐的情况下整合多个视图的信号信息；它产生的非坍缩重建对2D视图极其忠实，即便在有限训练后亦然。我们在定性和定量分析方面都展示了相关结果，通过在单个数据集上训练模型，并在六个数据集上评估其泛化能力（包括分布外样本）来实现此目标。