[论文解读] 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 0

一句话总结

DINR 用扩散先验正则化隐式神经表示，以在稀疏视角中实现高质量的中子CT重建，在 PSNR/SSIM 上优于最先进的方法。

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.

研究动机与目标

• 动机：在传统 FBP 因伪影而失效的场景下进行稀疏视角中子CT重建。
• 提出一个 Diffusive INR（DINR）框架，将扩散基先验注入基于 INR 的逆问题求解器。
• 在合成数据和真实数据上，展示相较于带 qGGMRF 偏好和现有扩散增强 INR 方法的改进重建质量。

提出的方法

• 将 y = Ax + n 形式化，其中 x 是三维衰减体积，A 是并行束投影算子。
• 使用正则化的 INR Fφ，将坐标映射到衰减值，并能将 A*y（类似 FBP 的输入）作为引导。
• 将去噪的扩散输出 ĥx_t 纳入一个原型损失以更新 INR 权重 φ（Lφ = MSE(AFφ(S,A*y), y) + ρ MSE(xt, Fφ(S,A*y))）。
• 利用基于 DDIM 的扩散采样循环，结合自适应权重更新 θt 和 φt，在 OOD 稀疏视角情景中引导重建趋向扩散先验。
• 使用 A*y 和噪声对初始 xT 进行扩散先验初始化，并在 t 从 T 到 1 的循环中迭代更新 θ 和 φ。
• 通过距离驱动的并行射线投影算子（Tomosipo/ASTRA）提升数据保真度，并允许 ω 调整噪声注入以实现正则化。

实验结果

研究问题

• RQ1 扩散先验正则化的 INR 能否从极度稀疏的视角重建高质量的三维中子CT 体积？
• RQ2 在合成和真实中子CT 数据集上，DINR 与带 qGGMRF 偏好 的 MBIR 以及其他扩散基逆求解器相比如何？
• RQ3 近端项权重 ρ 与扩散尺度 ω 对重建质量有何影响？
• RQ4 该框架对分布外数据是否鲁棒，并能否利用 FBP 输入实现更好的重建？
• RQ5 未来工作中，该框架是否能扩展到更大体积和不同 CT 几何（锥形射线、螺旋 CT）？

主要发现

• DINR 在稀疏视角数据上，PSNR/SSIM 高于 FBP，且相对于 DD3IP 与 INR 方法具竞争力甚至优越，包含超稀疏情形（如4视图）。
• 在合成数据的4、8、16、32视图下，DINR 的 PSNR 最高可达 33.43 dB，SSIM 最高达 0.76，优于 FBP，在稀疏视图条件下可与 DD3IP 与 INR 性能相媲美或超越。
• 在真实的稀疏视图中子CT 数据（5、9、17、33 视图），DINR 在微观结构区域的感知质量更高，且在 PSNR/SSIM 方面与 MBIR 和 DD3IP 相当，且在超稀疏场景下具有显著提升。
• ROI 基于分析显示 DINR 在微观结构区域（如 ROIs 小于 48×48，尤其低于 32×32）表现优越，此时背景可能降低其他方法的性能。
• FBP 引导、扩散先验与原型 INR 正则化相结合，有助于在中子CT 重建中更好地保留边界与纹理。