Shape-guided Gaussian Splatting for Sparse-View X-ray 3D Reconstruction

📄 arXiv: 2609.10376v1 📥 PDF

作者: Pranav Poudel, Florence Dell'Aniello Picard, Nairouz Shehata, Frédéric Lavoie, Herve Lombaert

分类: cs.CV

发布日期: 2026-09-09

备注: Accepted at: Off-Grid: 1st Workshop on Continuous Representations and Grid-Free Methods in Medical Imaging, MICCAI 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出形状引导的高斯点云方法以解决稀视角X射线3D重建问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 稀视角重建 高斯点云 解剖一致性 医学成像 密度正则化

📋 核心要点

  1. 现有的稀视角X射线3D重建方法在视图数量不足时，重建质量显著下降，无法有效利用解剖信息。
  2. 本文提出的形状引导高斯点云框架，通过引导高斯位置至解剖学有效配置，结合密度正则化，提升重建质量。
  3. 实验结果表明，所提方法在仅使用5个视图的情况下，PSNR提升了2.83 dB，显著优于现有基线方法。

📝 摘要（中文）

稀视角X射线3D重建对于降低辐射暴露至关重要，但从少量X射线投影恢复密度场是一个严重的病态问题。最近，3D高斯点云在稀视角重建中取得了先进的性能，但需要大量投影视图。本文提出了一种形状引导的高斯点云框架，通过将高斯位置引导至解剖学有效配置，并结合基于图谱的密度正则化，确保解剖一致的重建。我们的方案在仅使用5个视图的情况下，相较于现有的高斯点云基线提高了2.83 dB的PSNR。

🔬 方法详解

问题定义：本文旨在解决稀视角X射线3D重建中，由于视图数量不足导致的重建质量下降问题。现有方法在缺乏解剖信息的情况下，优化显式原语的自由度过高，导致重建结果不准确。

核心思路：论文的核心思路是通过形状引导的方式，将高斯位置调整至解剖学上有效的配置，并结合图谱基础的密度正则化，从而确保重建结果的解剖一致性。

技术框架：整体框架包括高斯点云的生成、形状引导的优化过程和密度正则化模块。首先，利用少量视图生成初步的高斯点云；然后，通过形状模型引导高斯位置的调整；最后，应用密度正则化以增强重建的解剖一致性。

关键创新：最重要的创新点在于引入形状引导机制，使得高斯点云的优化过程不仅依赖于投影数据，还考虑了解剖学结构的相似性，从而显著提高了重建的准确性。

关键设计：在设计中，采用了基于统计形状模型的引导策略，设置了适当的损失函数以平衡重建质量与解剖一致性，同时优化了高斯点的初始位置和分布，以适应不同的稀视角条件。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的形状引导高斯点云方法在仅使用5个视图的情况下，相较于现有的高斯点云基线，PSNR提升了2.83 dB，显著改善了重建质量，展示了该方法在稀视角重建中的有效性。

🎯 应用场景

该研究的潜在应用领域包括医学成像、放射治疗规划和生物医学研究等。通过提高稀视角X射线重建的质量，可以有效降低患者的辐射暴露，同时提高诊断的准确性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Sparse-view X-ray 3D reconstruction is essential for reducing radiation exposure, but recovering a density field from a handful of X-ray projections is severely ill-posed. Recently, 3D Gaussian Splatting has achieved state-of-the-art performance in sparse-view reconstruction by representing the volume using explicit, optimized primitives, but it requires dozens of projected views. With fewer views, reconstruction quality degrades severely since the explicit primitives are optimized freely without any anatomical information. Anatomical structures, in contrast, share similar geometry and density across a population. Their variations are bounded within a limited range that statistical shape models can capture. This paper proposes a shape-guided Gaussian splatting framework for sparse-view X-ray 3D reconstructions. Our contribution lies in driving Gaussian positions toward anatomically valid configurations, alongside atlas-based density regularization. Our method ensures anatomically consistent reconstruction and improves PSNR by 2.83 dB over a state-of-the-art Gaussian splatting baseline with as few as 5 views. Code Available: https://github.com/polyshape-lab/ShapeGuidedGaussian