Dieses Papier präsentiert eine neuartige und schnelle selbstüberwachte Lösung für die Rekonstruktion von dünnbesetzten CBCT-Bildern (Cone Beam Computed Tomography), die keine externen Trainingsdaten erfordert. Insbesondere werden die gewünschten Dämpfungskoeffizienten als stetige Funktion der 3D-Raumkoordinaten dargestellt, die durch ein vollständig vernetztes tiefes neuronales Netz parametrisiert wird. Wir generieren Projektionen diskret und trainieren das Netzwerk, indem wir den Fehler zwischen realen und synthetischen Projektionen minimieren. Ein lernbasierte Encoder, der Hash-Codierung verwendet, wird eingesetzt, um dem Netzwerk bei der Erfassung hochfrequenter Details zu helfen. Dieser Encoder übertrifft den in der Regel verwendeten Frequenzbereichs-Encoder hinsichtlich Leistung und Effizienz, da er die Glattheit und Dünnbesetztheit menschlicher Organe ausnutzt. Experimente wurden sowohl an Datensätzen von menschlichen Organen als auch an Phantom-Datensätzen durchgeführt. Die vorgeschlagene Methode erreicht den Stand der Technik in Bezug auf Genauigkeit und benötigt eine angemessen kurze Rechenzeit.