TG-Field: Geometry-Aware Radiative Gaussian Fields for Tomographic Reconstruction

📄 arXiv: 2602.11705v1 📥 PDF

作者: Yuxiang Zhong, Jun Wei, Chaoqi Chen, Senyou An, Hui Huang

分类: cs.CV

发布日期: 2026-02-12

备注: Accepted to AAAI 2026. Project page: https://vcc.tech/research/2026/TG-Field

💡 一句话要点

提出TG-Field，解决CT重建中稀疏视角和动态运动下的伪影问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱八：物理动画 (Physics-based Animation)

关键词: CT重建 三维高斯溅射 几何感知 时空建模 稀疏视角 动态重建

📋 核心要点

  1. 传统CT重建方法在稀疏视角和动态运动下易产生伪影，重建质量受限。
  2. TG-Field通过几何感知的高斯变形，结合空间先验和时空注意力机制，提升重建质量。
  3. 实验表明，TG-Field在稀疏视角下优于现有方法，实现了更高的重建精度。

📝 摘要（中文）

本文提出了一种名为Tomographic Geometry Field (TG-Field)的几何感知高斯变形框架，专门用于静态和动态CT重建。该方法利用多分辨率哈希编码器捕获局部空间先验，从而在超稀疏设置下正则化基元参数。针对动态重建，引入了时间条件表示和时空注意力模块，自适应地聚合特征，解决时空模糊性并增强时间一致性。此外，运动流网络用于建模精细的呼吸运动，以跟踪局部解剖形变。在合成和真实数据集上的大量实验表明，TG-Field始终优于现有方法，在高度稀疏视角条件下实现了最先进的重建精度。

🔬 方法详解

问题定义：论文旨在解决计算机断层扫描(CT)重建中，在高度稀疏视角投影和动态运动情况下，现有方法容易产生严重伪影的问题。现有方法难以有效利用几何信息和处理时序变化，导致重建质量下降。

核心思路：论文的核心思路是利用3D高斯溅射(3DGS)的优势，并引入几何感知和时空建模，从而在稀疏视角下实现高质量的静态和动态CT重建。通过学习局部空间先验和建模运动信息，来约束高斯参数，减少重建过程中的不确定性。

技术框架：TG-Field框架包含以下主要模块：1) 多分辨率哈希编码器：用于捕获局部空间先验，正则化高斯参数。2) 时间条件表示和时空注意力模块：用于动态重建，解决时空模糊性，增强时间一致性。3) 运动流网络：用于建模精细的呼吸运动，跟踪局部解剖形变。整体流程是，首先利用多视角投影数据初始化高斯参数，然后通过优化高斯参数、空间先验、时空注意力和运动流来完成重建。

关键创新：论文的关键创新在于将几何感知和时空建模融入到3D高斯溅射框架中，使其能够有效处理稀疏视角和动态运动下的CT重建问题。具体来说，多分辨率哈希编码器能够学习局部几何信息，而时空注意力模块和运动流网络能够处理时间变化，从而提高重建质量。

关键设计：多分辨率哈希编码器采用多层感知机(MLP)将哈希编码映射到高斯参数的偏移量。时空注意力模块使用Transformer结构，自适应地聚合不同时间步的特征。运动流网络采用U-Net结构，预测像素级别的运动向量。损失函数包括重建损失、正则化损失和运动损失，用于约束高斯参数、空间先验和运动流。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

TG-Field在合成和真实数据集上均取得了显著的性能提升。在稀疏视角下，TG-Field的重建精度明显优于现有方法，例如在合成数据集上，相比于基线方法，重建误差降低了XX%。在真实数据集上，TG-Field也能够有效减少伪影，提高图像质量。

🎯 应用场景

TG-Field可应用于医学影像分析、工业无损检测等领域。在医学领域，该方法可用于低剂量CT扫描，减少辐射暴露，提高诊断效率。在工业领域，可用于检测复杂结构的内部缺陷，提高产品质量和安全性。未来，该技术有望推动更高效、更精确的3D重建技术发展。

📄 摘要（原文）

3D Gaussian Splatting (3DGS) has revolutionized 3D scene representation with superior efficiency and quality. While recent adaptations for computed tomography (CT) show promise, they struggle with severe artifacts under highly sparse-view projections and dynamic motions. To address these challenges, we propose Tomographic Geometry Field (TG-Field), a geometry-aware Gaussian deformation framework tailored for both static and dynamic CT reconstruction. A multi-resolution hash encoder is employed to capture local spatial priors, regularizing primitive parameters under ultra-sparse settings. We further extend the framework to dynamic reconstruction by introducing time-conditioned representations and a spatiotemporal attention block to adaptively aggregate features, thereby resolving spatiotemporal ambiguities and enforcing temporal coherence. In addition, a motion-flow network models fine-grained respiratory motion to track local anatomical deformations. Extensive experiments on synthetic and real-world datasets demonstrate that TG-Field consistently outperforms existing methods, achieving state-of-the-art reconstruction accuracy under highly sparse-view conditions.