[論文レビュー] Regularizing INR with diffusion prior self-supervised 3D reconstruction of neutron computed tomography data

Maliha Sahreen Hossain, Haley Duba-Sullivan+1 more|arXiv (Cornell University)|Mar 11, 2026

Nuclear Physics and Applications被引用数 0

ひとこと要約

DINR は拡散事前分布を組み込んだ暗黙ニューラル表現の正則化により、スパースビューの中性子 CT 再構成で高品質を実現。最先端法に対して PSNR/SSIM で優越。

ABSTRACT

Recently, generative diffusion priors have made huge strides as inverse problem solvers, including the ability to be adapted for inference on out-of-distribution data. Concurrently, implicit neural representations (INRs) have emerged as fast and lightweight inverse imaging solvers that are amenable to hybrid approaches that combine learned priors with traditional inverse problem formulations. In this paper, we present a diffusive computed tomography (CT) inversion framework for regularizing INRs called Diffusive INR (DINR), designed to enable high-quality reconstruction from sparse-view neutron CT. Pretrained purely on synthetic data, DINR is evaluated on simulated and experimentally obtained observations of concrete microstructures, where traditional reconstruction methods suffer substantial degradation when the number of views is reduced. Our approach delivers superior performance, reduces reconstruction artifacts, and achieves gains in PSNR and SSIM, enabling accurate micro-structural characterization even under extreme data limitations compared to state-of-the-art sparse-view reconstruction techniques.

研究の動機と目的

• 古典的な FBP がアーティファクトのため再構成を妨げるスパースビュー中性子 CT 再構成の動機付け。
• INR ベースの逆問題ソルバーに拡散ベースの事前分布を注入する Diffusive INR (DINR) フレームワークの提案。
• 合成データおよび実データに対して MBIR（qGGMRF priors）や既存の拡散強化 INR 法と比較して再構成品質が向上することの実証。

提案手法

• x を 3D 減衰体積、A を平行ビーム射影演算子とする y = Ax + n の定式化。
• 座標を減衰値へ写像し、A*y（FBP 的入力）をガイダンスとして受け取る正則化された INR Fφ の使用。
• デ-noised diffusion 出力 ĥx_t を INR 重み φ の更新の近接損失に組み込み、Lφ = MSE(AFφ(S,A*y), y) + ρ MSE(xt, Fφ(S,A*y))。
• OOD スパースビュー設定において拡散事前を導向するよう、適応的重み更新 θt および φt を用いた DDIM ベースの拡散サンプリングループを活用。
• 初期化を A*y とノイズを用いた拡散ベースの事前で xT を設定し、t = T から 1 へループで θ および φ を反復更新。
• データ適合性を向上させる距離駆動型の平行ビーム射影器（Tomosipo/ASTRA）を活用し、正則化用に ω によるノイズ注入をスケーリング可能とする。

実験結果

リサーチクエスチョン

• RQ1 超スパースビューから高品質な 3D 中性子 CT ボリュームを拡散事前正則化 INR で再構成できるか。
• RQ2 DINR は synthetic および real の中性子 CT データセットに対して MBIR（qGGMRF priors）および他の拡散ベース逆解法と比較してどのような性能を示すか。
• RQ3 近接項の重み ρ および拡散スケール ω が再構成品質へ与える影響は。
• RQ4 FBP 入力を活用した改善再構成に対してフレームワークは外分布データへ頑健か。
• RQ5 将来的に DINR フレームワークはより大きなボリュームや異なる CT ジオメトリ（円錐ビーム、螺旋）へ拡張可能か。

主な発見

Views	Method	PSNR (dB)	SSIM
4	FBP	19.31	0.08
4	INR	14.76	0.18
4	DD3IP (ω=0.02)	26.17	0.25
4	DINR (ω=0.2)	26.27	0.24
8	FBP	21.67	0.18
8	INR	28.15	0.35
8	DD3IP (ω=0.2)	28.37	0.34
8	DINR (ω=0.02)	28.56	0.38
16	FBP	25.27	0.30
16	INR	30.34	0.54
16	DD3IP (ω=0.02)	31.21	0.61
16	DINR (ω=0.02)	31.30	0.63
32	FBP	29.62	0.43
32	INR	32.85	0.66
32	DD3IP (ω=0.002)	32.91	0.74
32	DINR (ω=0.02)	33.43	0.76

• DINR は FBP より高い PSNR/SSIM を達成し、合成スパースビューデータにおける DD3IP および INR アプローチと比較して競合的または優位な結果を示す（超スパースケースを含む例：4 ビュー）。
• 4, 8, 16, 32 ビューの合成データでは、DINR は PSNR が最大 33.43 dB、SSIM が 最大 0.76 に達し、FBP を上回り、スパースビュー下で DD3IP および INR の性能と同等以上を実現。
• 実データのスパースビュー中性子 CT（5, 9, 17, 33 ビュー）では、DINR は MBIR および DD3IP と比較して知覚品質が高い領域を提供し、PSNR/SSIM も競争力を維持。超スパース設定で顕著な改善。
• ROI ベースの分析では、DINR がマイクロ構造領域（例：48×48 未満、特に 32×32 未満の ROI）で他手法の背景劣化を抑制することを示す。
• FBP ガイダンス、拡散事前、近接 INR 正則化の組み合わせにより、中性子 CT 再構成の境界と質感の保持が改善。