Calibrated Closed-Form Uncertainty for Radiative Gaussian Splatting in Sparse-View CT
作者: Chulin Zhao, Yiran Xu, Shu Liu
分类: cs.CV
发布日期: 2026-07-15
备注: 19 pages, 6 figures. Equal contribution: Chulin Zhao and Yiran Xu.(Co-first authors) Corresponding author: Yiran Xu (2617300@dundee.ac.uk)
💡 一句话要点
提出闭式形式的不确定性校准以改善稀视角CT重建
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 稀视角CT 辐射高斯点云 不确定性校准 变分密度后验 医学成像
📋 核心要点
- 现有稀视角CT重建方法输出的点估计缺乏对重建可信度的评估，限制了其应用。
- 本文提出了一种新方法，通过引入变分密度后验，能够在单次前向传播中精确计算预测方差，提升重建的不确定性评估。
- 实验结果表明，所提方法在14个场景中有效排名真实重建误差，并在9个场景中满足幅度校准目标，显示出显著的性能提升。
📝 摘要（中文）
辐射高斯点云技术使稀视角CT重建变得快速，但现有方法仅输出点估计，缺乏重建可信度的评估。本文利用透射X射线成像的线性特性，为辐射高斯分布引入变分密度后验，能够在单次前向传播中精确计算预测方差。我们进行了高斯点云CT的系统校准研究，结果显示每个体素的不确定性能够有效排名真实重建误差，并提出了覆盖门控的采集策略和剂量自适应停止规则，未来将进行实验验证。
🔬 方法详解
问题定义：本文旨在解决现有稀视角CT重建方法输出点估计时缺乏可信度评估的问题。现有方法无法提供重建结果的不确定性，从而限制了其在临床应用中的有效性。
核心思路：论文通过利用透射X射线成像的线性特性，为辐射高斯分布引入变分密度后验。这种设计使得预测方差能够在单次前向传播中精确计算，从而提供每个体素的不确定性评估。
技术框架：整体架构包括数据输入、辐射高斯点云生成、变分密度后验计算和不确定性评估四个主要模块。通过线性投影和体素化过程，确保了计算的高效性和准确性。
关键创新：本文的主要创新在于引入了闭式形式的不确定性校准，能够在稀视角CT重建中提供每个体素的预测方差。这一方法与现有的点估计方法本质上不同，后者无法提供不确定性信息。
关键设计：关键设计包括使用温度缩放进行校准，采用Spearman、AUSE和ECE等指标进行系统评估。此外，提出的覆盖门控和成熟度调度的采集策略为未来的研究提供了新的方向。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在14个场景中有效排名真实重建误差，且在9个场景中满足幅度校准目标。与现有的扰动集成启发式方法相比，排名相关性低至-0.08，表明新方法在不确定性评估上的显著优势。
🎯 应用场景
该研究具有广泛的应用潜力，尤其是在医学成像领域。通过提供重建结果的不确定性评估，能够帮助医生更好地理解和解释CT图像，从而提高诊断的准确性。此外，未来的剂量自适应停止规则可能会降低患者的辐射暴露，进一步提升CT成像的安全性。
📄 摘要（原文）
Radiative Gaussian splatting has made sparse-view CT reconstruction fast, but existing methods output point estimates with no notion of where the reconstruction can be trusted. We exploit a property of transmissive X-ray imaging that RGB splatting cannot claim -- projection and voxelization are strictly linear in the per-Gaussian densities -- to equip radiative Gaussians with a variational density posterior whose predictive variance propagates in closed form, exactly, in a single forward pass, in both volume space ($σ^2(x)=\sum_i g_i(x)^2 s_i^2$) and projection space ($\mathrm{Var}[I_p]=\sum_i w_{i,p}^2 s_i^2$). We present the first systematic calibration study for Gaussian-splatting CT (Spearman / AUSE / ECE with temperature scaling), showing that the resulting per-voxel uncertainty ranks true reconstruction error on 14 of 15 scenes of the official benchmark across three view budgets -- 9 of 15 additionally meeting our magnitude-calibration target after a single temperature -- while the perturbation-ensemble heuristic of concurrent work, transplanted to voxel space under the same protocol on our development scenes, does not (rank correlation as low as $-0.08$). We then dissect why uncalibrated acquisition scores can nevertheless select acceptable views, identifying three regimes -- flat (isotropic, balanced), pathological (degenerate coverage), and anisotropic -- and showing, in controlled single-scene testbeds, that principled uncertainty earns a measurable premium only in the last, motivating a coverage-gated, maturity-scheduled acquisition policy; the same calibrated posterior further points toward a dose-adaptive stopping rule, whose experimental validation we leave to future work.