Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
희소 뷰 환경에서 Splat 기반 CT 재구성 시 발생하는 아티팩트의 원인이 포즈 부정확성에 있음을 밝히고, 이를 해결하기 위한 경사 기반 프레임워크를 제안합니다. 기하학적 파라미터를 공동으로 정밀 조정하여 재구성 충실도를 높이는 연구입니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기X-ray 컴퓨터 단층 촬영 (CT)은 대상에 X-선을 투과시켜 얻은 투영 이미지(projection images)로부터 객체의 볼륨 표현(volumetric representations)을 재구성합니다. 최근 부피를 3D 가우시안 (3D Gaussians)의 연속적인 분포로 표현하는 Splat 기반 단층 촬영은 원추형 빔(cone-beam) 희소 뷰 CT에서 높은 재구성 품질과 빠른 수렴 속도를 입증했습니다. 그러나 제한적이고 불균일한 뷰 분포를 가진 실제 CT 시스템에 적용했을 때, 기존의 재구성 방법보다 훨씬 더 두드러지는 독특한 스트릭(streak) 및 스트립(strip) 아티팩트(artifacts)가 관찰됩니다. 상세한 분석을 통해, 우리는 이러한 아티팩트가 뷰의 희소성(view sparsity) 자체보다는 획득 기하학(acquisition geometry)에서의 포즈 부정확성(pose inaccuracies)에서 주로 기인한다는 것을 보여줍니다. 우리는 Splatting 공식에서의 포즈 민감도(pose sensitivity)를 재고하고, 재구성 과정 동안 기하학적 파라미터(geometric parameters)를 공동으로 정밀하게 조정하는 안정적인 경사 기반(gradient-based) 프레임워크를 도출합니다. 본 연구는 포즈 섭동(pose perturbations)이 미분 가능한 투영 연산자(differentiable projection operator)를 통해 어떻게 전파되는지를 식별할 뿐만 아니라, 왜 Splat 기반 CT가 기하학적 정렬 불량(geometric misalignment)에 특히 취약한지를 밝혀냅니다. 결과적으로 도출된 공식은 경량성을 유지하며 기존 파이프라인에 쉽게 통합될 수 있는 동시에, 실제 희소 뷰 조건에서 재구성 충실도(reconstruction fidelity)를 실질적으로 향상시킵니다.