[논문 리뷰] 3D Field of Junctions: A Noise-Robust, Training-Free Structural Prior for Volumetric Inverse Problems

Namhoon Kim, Narges Moeini외 2명|arXiv (Cornell University)|2026. 03. 02.

Advanced Electron Microscopy Techniques and Applications인용 수 0

한 줄 요약

노이즈가 큰 다양한 역문제에서의 위험 없는 환각 없이 저선량 볼륨의 디노이징과 규칙화를 가능하게 하는 훈련-free 3D Field of Junctions(3D FoJ) 표현을 소개하며, 드롭인 근접_prior로 작동합니다.

ABSTRACT

Volume denoising is a foundational problem in computational imaging, as many 3D imaging inverse problems face high levels of measurement noise. Inspired by the strong 2D image denoising properties of Field of Junctions (ICCV 2021), we propose a novel, fully volumetric 3D Field of Junctions (3D FoJ) representation that optimizes a junction of 3D wedges that best explain each 3D patch of a full volume, while encouraging consistency between overlapping patches. In addition to direct volume denoising, we leverage our 3D FoJ representation as a structural prior that: (i) requires no training data, and thus precludes the risk of hallucination, (ii) preserves and enhances sharp edge and corner structures in 3D, even under low signal to noise ratio (SNR), and (iii) can be used as a drop-in denoising representation via projected or proximal gradient descent for any volumetric inverse problem with low SNR. We demonstrate successful volume reconstruction and denoising with 3D FoJ across three diverse 3D imaging tasks with low-SNR measurements: low-dose X-ray computed tomography (CT), cryogenic electron tomography (cryo-ET), and denoising point clouds such as those from lidar in adverse weather. Across these challenging low-SNR volumetric imaging problems, 3D FoJ outperforms a mixture of classical and neural methods.

연구 동기 및 목표

• 다양한 모달리티에서 심한 노이즈 하에 3D 볼륨의 강건한 디노이징 및 재구성을 위한 동기 부여.
• 3D 볼륨에서 에지와 코너를 보존하는 명시적 훈련 없는 3D 구조적 우선 규칙 제안.
• 역문제에 대한 프로시말(근접) 경사 프레임워크와의 통합을 통해 패치 기반 3D FoJ 모델 개발.
• 저선량 CT, cryo-ET, 및 노이즈가 있는 포인트 클라우드에서 방법의 효과 입증.
• 볼륨 문제에 대한 확장성 및 드롭인 정규화기로서의 잠재력 강조.

제안 방법

• 패치 단위의 3D FoJ를 확장하려면 각 체적 패치를 서로 교차하는 세 개의 평면으로 표현하여 각 영역이 일정 값을 갖는 3D 쐐기로 패치를 분할한다.
• 데이터 적합성과 패치 간 일관성의 균형을 맞추기 위해 로컬 적합, 경계 정렬 및 패치 간 강도 일관성을 강제하는 목적함수를 통해 패치 단위의 교차점 매개변수 및 영역 값을 최적화한다.
• 연분화 가능한 소프트 지시자와 미분 가능한 경계 맵을 사용하여 두 단계(로컬 초기화 및 전역 공동 정제)에서 경사 기반 최적화를 가능하게 한다.
• 3D FoJ가 정규화기로 작용하는 역문제를 해결하기 위해 근접 경사 프레임워크를 채택하고, 데이터 적합성의 그래디언트 스텝 뒤에 FoJ 기반의 근접 스텝으로 x 업데이트를 얻는다.
• 고해상도 볼륨 및 패치를 처리하기 위한 다중 GPU 병렬 처리 지원을 가능하게 한다.

Figure 1 : Our 3D Field of Junctions (3D FoJ) is an effective volumetric denoiser across diverse inverse problems: low-dose computed tomography ( top row ), cryogenic electron tomography ( middle row ), and point cloud denoising ( bottom row ). Our cryo-ET experiment uses real data for which noisele

실험 결과

연구 질문

• RQ1 극단적인 노이즈 하에서 다양한 볼륨에 대해 훈련-free 3D 구조적 우선 규칙이 선명한 3D 경계를 보존할 수 있는가?
• RQ2 3D FoJ가 디노이저 및 볼륨 역문제의 규칙자로서 고전적 방법 및 신경망 방법 대비 어떤 성능을 보이는가?
• RQ3 저SNR의 CT, cryo-ET, 및 lidar-like 포인트 클라우드에서 기하학적 충실성을 유지하는가?
• RQ4 재구성 품질과 효율성에 대한 패치 크기, 평면 수(M), 스무딩 매개변수의 영향은 무엇인가?
• RQ5 이 방법이 다양한 노이즈가 있는 볼륨 역문제에 대해 드롭인 규칙기로 일반화될 수 있는가?

주요 결과

• 3D FoJ는 저-SNR CT 데이터셋에서 2D 투영에서 더 높은 MS-SSIM, 볼륨에서 더 높은 3D PSNR을 달성합니다(기준 대비).
• 저선량 CT에서 포톤 카운트 수준 P50, P100, P1000에서 3D FoJ가 투사 기반 및 체적 지표 모두에서 R2-Gaussian, Filter2Noise, 3D-TV보다 우수합니다.
• cryo-ET에서 3D FoJ는 SC-Net, NMSG, NLM에 비해 디테일 보존과 노이즈 감소/대비 향상을 균형 있게 유지합니다.
• 포인트 클라우드 디노이징에서 3D FoJ는 다양한 노이즈 레짐에서 챔퍼 거리(Chamfer Distance) 성능이 경쟁력 있으며 이상치 및 확산 노이즈에 대한 강인성을 보입니다.
• 전반적으로 3D FoJ는 강건한 훈련 없는 디노이징 및 노이즈가 있는 3D 역문제에 대한 효과적인 규칙기를 제공합니다.

Figure 4 : Comparison of unseen projection views synthesized from reconstructed 3D volumes (top) and slice views of reconstructed 3D volumes (bottom) for the engine dataset under low-SNR ( P50 ) conditions.