CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging

本文介绍了一种称为Coordinate-based Continuous Projection Field (CoCPF)的方法，旨在构建无缺口的表示场，以实现基于稀疏采样测量的CT图像重建，从而获得更好的重建质量。最近的研究采用了隐式神经表示（INR）技术，从单个SV正弦图重建CT图像。然而，由于反问题的不适定性，这些基于INR的方法可能会在其场中留下相当大的“空洞”（即未建模的空间），导致次优结果。为了填补这些空洞，CoCPF首先采用基于条纹的体积采样模块，将Radon变换的采样区域从射线（1D空间）扩展到条纹（2D空间），可以很好地覆盖SV投影之间的内部区域。然后，通过将采样区域馈送到提出的可微渲染模块中，可以在训练期间共同优化这些空洞，降低不适定级别。因此，CoCPF可以准确地估计SV投影之间的内部测量值（即DV正弦图），在重新投影后产生高质量的CT图像。在模拟和真实投影数据集上的广泛实验表明，CoCPF在各种投影数量和几何形状下优于最先进的2D和3D SVCT重建方法，产生精细的细节和更少的伪影。我们的代码将公开发布。

本论文旨在解决通过稀疏采样测量来重建CT图像的问题，提出了一种新的方法来填补INR方法中留下的空洞，从而提高重建质量。

本论文提出了一种基于坐标的连续投影场（CoCPF）方法，通过使用条带式体积采样模块将Radon变换的采样区域从射线（1D空间）扩展到条带（2D空间），并通过提出的可微渲染模块联合优化空洞，从而填补空洞，减少不适定性，从而提高重建质量。

论文使用了模拟和真实投影数据集进行了广泛的实验，证明了CoCPF方法在各种投影数量和几何形状下的2D和3D SVCT重建中优于现有方法，产生了更细致的细节和更少的伪影。作者还开源了他们的代码。

最近的相关研究包括使用深度学习方法进行CT重建，如基于U-Net的方法和INR方法。