[논문 리뷰] Regularizing INR with diffusion prior self-supervised 3D reconstruction of neutron computed tomography data

Maliha Sahreen Hossain, Haley Duba-Sullivan외 1명|arXiv (Cornell University)|2026. 03. 11.

Nuclear Physics and Applications인용 수 0

한 줄 요약

DINR은 확산 사전(prior)을 이용해 암시적 신경 표현을 규칙화하여 고품질의 희소 시야 중성자 CT 재구성을 가능하게 하고, 최신 방법들과 비교해 우수한 PSNR/SSIM을 달성한다.

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.

연구 동기 및 목표

• 전통적인 FBP가 인공물로 인해 실패하는 희소 시야의 중성자 CT 재구성을 추진한다.
• 확산 기반의 사전을 INR 기반 역문제 해결기에 주입하는 Diffusive INR(DINR) 프레임워크를 제안한다.
• 합성 및 실제 데이터에서 qGGMRF 사전이 있는 MBIR 및 기존 확산 보강 INR 방법보다 재구성 품질이 향상됨을 입증한다.

제안 방법

• y = Ax + n으로 형식화하고 x를 3D 감쇠 부피로, A를 평행빔 프로젝션 연산자로 둔다.
• 좌표를 감쇠 값으로 매핑하고 A*y(FBP과 유사 입력)를 지도 가이드로 취할 수 있는 정규화된 INR Fφ를 사용한다.
• 노이즈 제거된 확산 출력 ĥx_t를 INR 가중치 φ를 업데이트하기 위한 근접 손실에 통합한다 (Lφ = MSE(AFφ(S,A*y), y) + ρ MSE(xt, Fφ(S,A*y))).
• DDIM 기반 확산 샘플링 루프와 적응 가중치 업데이트 θt 및 φt를 활용하여 OOD 희소 시야 설정에서 재구성을 확산 사전으로 유도한다.
• A*y와 잡음을 이용한 확산 기반 사전으로 xT를 초기화하고 t = T에서 1까지 루프에서 θ와 φ를 반복적으로 업데이트한다.
• 데이터 적합도를 거리 기반의 병렬빔 프로젝터(Tomosipo/ASTRA)로 강화하고, 정규화를 위해 노이즈 주입을 스케일하는 ω를 허용한다.

실험 결과

연구 질문

• RQ1 확산 사전-정규화된 INR이 초희소 시야에서 고품질의 3D 중성자 CT 부피를 재구성할 수 있는가?
• RQ2 합성 및 실제 중성자 CT 데이터 세트에서 DINR이 qGGMRF 사전이 있는 MBIR 및 다른 확산 기반 역해석기와 어떤 차이가 있는가?
• RQ3 근접 항 가중치 ρ와 확산 스케일 ω가 재구성 품질에 미치는 영향은 무엇인가?
• RQ4 프레임워크가 분포 간 이탈(out-of-distribution) 데이터에 대해 견고하며 FBP 입력을 활용한 재구성 향상이 가능한가?
• RQ5 향후 연구에서 제안된 DINR 프레임워크가 더 큰 부피와 다양한 CT 기하학(콘빔, 나선형)에 확장될 수 있는가?

주요 결과

• DINR은 FBP보다 더 높은 PSNR/SSIM를 달성하고 합성 희소 시야 데이터에서 DD3IP 및 INR 접근법에 대해 경쟁력 있거나 우수한 성능을 보이며, 초희소 사례(예: 4 views)도 포함된다.
• 합성 데이터에서 4, 8, 16, 32 뷰에 대해 DINR은 PSNR이 최대 33.43 dB, SSIM이 최대 0.76에 이르며, 희소 시야에서 FBP를 능가하거나 DD3IP 및 INR 성능과 대등하거나 초과한다.
• 실제 희소 시야 중성자 CT 데이터(5, 9, 17, 33 views)에서 DINR은 미세 구조 영역에서 더 높은 지각적 품질을 제공하고 MBIR 및 DD3IP에 비해 PSNR/SSIM이 경쟁력이 있으며 초희소 설정에서 뚜렷한 이점을 보인다.
• ROI 기반 분석은 미세구조 영역(예: 48×48 미만의 ROI, 특히 32×32 미만에서)에서 DINR이 다른 방법보다 우수함을 시사한다.
• FBP 가이드, 확산 사전, 근접 INR 정규화의 결합은 중성자 CT 재구성에서 경계 및 질감 보존을 향상시키는 데 기여한다.