面向多速率稀疏视图 CT 的分辨率无关神经算子
计算与语言
2025-12-16 v1 人工智能
摘要
稀疏视图 CT 通过限制 X 射线投影数量来减少辐射剂量和扫描时间，这使得 reconstruction 成为一个欠定的逆问题。深度学习方法实现高保真重构，但常针对固定采集 setup 过拟合，难以在不同采样速率和图像分辨率之间泛化。例如，卷积神经网络 (CNN) 在不同分辨率上使用相同的学习卷积核，导致分辨率变化时出现伪影。我们提出了计算 CT 神经算子 (CTO)，作为扩展至连续函数空间的统一 CT 重构框架，使其能够在不重新训练的情况下泛化到不同采样速率和图像分辨率。CTO 通过旋转等效的离散-连续卷积在 sinogram 和 image 域联合运算，参数化于函数空间，天然具有分辨率和采样agnostic 特性。经实验验证，CTO 实现了一致的多采样率和跨分辨率性能，平均比 CNN 高出 >4 dB PSNR。相对于最先进的扩散方法，CTO 在推理时间上快 500 倍，平均提升 3 dB。实证结果也验证了 CTO sinogram 空间算子学习和旋转等效卷积设计选择。总体而言，CTO 在各种采样率和分辨率上均超越了最先进的基线，提供了一个可扩展且可泛化的解决方案，使自动化 CT 重构在部署时更加实用。
引用
@article{arxiv.2512.12238,
title = {Semantic Distance Measurement based on Multi-Kernel Gaussian Processes},
author = {Yinzhu Cheng and Haihua Xie and Yaqing Wang and Miao He and Mingming Sun},
journal= {arXiv preprint arXiv:2512.12238},
year = {2025}
}