構造認識Sparse-View X線3D再構成

X線は、物体の内部構造を明らかにする能力で知られており、可視光よりも3D再構築に豊富な情報を提供することが期待されています。しかし、既存のニューラル放射輝度場（NeRF）アルゴリズムは、このX線の重要な特性を見落としているため、画像化された物体の構造的な内容を捉えることに制限があります。本論文では、疎視点X線3D再構築用のフレームワークである「Structure-Aware X-ray Neural Radiodensity Fields（SAX-NeRF）」を提案します。まず、SAX-NeRFのバックボーンとして、線分ベースのトランスフォーマー（Lineformer）を設計しました。Lineformerは、X線内の各線分における依存関係をモデル化することで、3次元空間内の物体の内部構造を捉えます。次に、2次元投影から文脈情報と幾何学的情報を抽出するためのマスク付き局所-全体（MLG）レイサンプリング戦略を提示します。さらに、より大規模で幅広いX線応用をカバーするデータセットX3Dを収集しました。X3Dでの実験結果は、SAX-NeRFが新規視点合成とCT再構築において従来のNeRFベースの手法を超えることを示しており、それぞれ12.56 dBと2.49 dBの改善が見られました。コード、モデルおよびデータは、https://github.com/caiyuanhao1998/SAX-NeRF で公開されています。