⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-04-17 更新
Explicit and Implicit Representations in AI-based 3D Reconstruction for Radiology: A systematic literature review
Authors:Yuezhe Yang, Boyu Yang, Yaqian Wang, Yang He, Xingbo Dong, Zhe Jin
The demand for high-quality medical imaging in clinical practice and assisted diagnosis has made 3D reconstruction in radiological imaging a key research focus. Artificial intelligence (AI) has emerged as a promising approach to enhancing reconstruction accuracy while reducing acquisition and processing time, thereby minimizing patient radiation exposure and discomfort and ultimately benefiting clinical diagnosis. This review explores state-of-the-art AI-based 3D reconstruction algorithms in radiological imaging, categorizing them into explicit and implicit approaches based on their underlying principles. Explicit methods include point-based, volume-based, and Gaussian representations, while implicit methods encompass implicit prior embedding and neural radiance fields. Additionally, we examine commonly used evaluation metrics and benchmark datasets. Finally, we discuss the current state of development, key challenges, and future research directions in this evolving field. Our project available on: https://github.com/Bean-Young/AI4Med.
临床实践和对辅助诊断的高质量医学成像的需求使得放射成像中的3D重建成为关键的研究重点。人工智能（AI）作为一种有前景的方法，在提高重建精度、减少采集和处理时间方面表现出巨大的潜力，从而最大程度地减少患者的辐射暴露和不适，最终有益于临床诊断。本文综述了基于人工智能的放射成像3D重建算法的最新进展，并根据其基本原理将它们分为显式方法和隐式方法。显式方法包括点基、体积基和高斯表示法，而隐式方法包括隐式先验嵌入和神经辐射场。此外，我们还介绍了常用的评估指标和基准数据集。最后，我们讨论了该领域的当前开发状态、关键挑战和未来研究方向。我们的项目可通过以下网址访问：https://github.com/Bean-Young/AI4Med 。
论文及项目相关链接
PDF 43 pages, 5 figures, submit to Medical Image Analysis
Summary
本文介绍了人工智能在医学影像学三维重建中的最新应用。文章探讨了基于人工智能的三维重建算法的前沿进展，包括显式方法和隐式方法。显式方法包括点基、体积基和基于高斯的方法，隐式方法则涵盖隐式先验嵌入和神经辐射场。此外，本文还介绍了常用的评估指标和基准数据集，并讨论了当前研究的现状、面临的关键挑战以及未来的研究方向。项目的GitHub地址为：链接地址。
Key Takeaways
- 高质量医学影像在临床实践和辅助诊断中的需求使得三维重建成为放射成像领域的关键研究焦点。
- 人工智能在增强重建准确性、减少采集和处理时间方面显示出巨大潜力，有利于减少患者辐射暴露和不适感，最终有利于临床诊断。
- 当前研究探讨了基于人工智能的三维重建算法的最新进展，包括显式方法和隐式方法，其中显式方法包括点基、体积基和基于高斯的方法。
- 隐式方法包括隐式先验嵌入和神经辐射场，这是一个相对较新的研究领域。
- 常用的评估指标和基准数据集在研究中被介绍，这对于算法的性能评估和比较至关重要。
- 当前研究的现状、面临的关键挑战以及未来的研究方向也被详细讨论，显示出该领域的持续发展和不断进步。
点此查看论文截图
LL-Gaussian: Low-Light Scene Reconstruction and Enhancement via Gaussian Splatting for Novel View Synthesis
Authors:Hao Sun, Fenggen Yu, Huiyao Xu, Tao Zhang, Changqing Zou
Novel view synthesis (NVS) in low-light scenes remains a significant challenge due to degraded inputs characterized by severe noise, low dynamic range (LDR) and unreliable initialization. While recent NeRF-based approaches have shown promising results, most suffer from high computational costs, and some rely on carefully captured or pre-processed data–such as RAW sensor inputs or multi-exposure sequences–which severely limits their practicality. In contrast, 3D Gaussian Splatting (3DGS) enables real-time rendering with competitive visual fidelity; however, existing 3DGS-based methods struggle with low-light sRGB inputs, resulting in unstable Gaussian initialization and ineffective noise suppression. To address these challenges, we propose LL-Gaussian, a novel framework for 3D reconstruction and enhancement from low-light sRGB images, enabling pseudo normal-light novel view synthesis. Our method introduces three key innovations: 1) an end-to-end Low-Light Gaussian Initialization Module (LLGIM) that leverages dense priors from learning-based MVS approach to generate high-quality initial point clouds; 2) a dual-branch Gaussian decomposition model that disentangles intrinsic scene properties (reflectance and illumination) from transient interference, enabling stable and interpretable optimization; 3) an unsupervised optimization strategy guided by both physical constrains and diffusion prior to jointly steer decomposition and enhancement. Additionally, we contribute a challenging dataset collected in extreme low-light environments and demonstrate the effectiveness of LL-Gaussian. Compared to state-of-the-art NeRF-based methods, LL-Gaussian achieves up to 2,000 times faster inference and reduces training time to just 2%, while delivering superior reconstruction and rendering quality.
在低光照场景中的新型视图合成（NVS）仍然是一个重大挑战，因为输入退化，表现为严重噪声、低动态范围（LDR）和不可靠的初始化。虽然最近的基于NeRF的方法已经显示出有希望的结果，但大多数方法的计算成本很高，有些方法依赖于精心捕获或预处理的数据——如RAW传感器输入或多曝光序列——这严重限制了它们的实用性。相比之下，3D高斯涂抹（3DGS）能够实现具有竞争力的视觉保真度的实时渲染；然而，现有的基于3DGS的方法在处理低光照sRGB输入时遇到困难，导致高斯初始化不稳定和噪声抑制无效。为了解决这些挑战，我们提出了LL-Gaussian，这是一个从低光照sRGB图像进行3D重建和增强的新型框架，能够实现伪正常光下的新型视图合成。我们的方法引入了三个关键创新点：1）端到端的低光高斯初始化模块（LLGIM），它利用基于学习的MVS方法的密集先验来生成高质量初始点云；2）双分支高斯分解模型，将场景的内在属性（反射率和照明）从瞬时干扰中分离出来，实现稳定和可解释的优化；3）在物理约束和扩散先验指导下的一种无监督优化策略，共同引导分解和增强。此外，我们还贡献了在极端低光环境中收集的有挑战性数据集，并展示了LL-Gaussian的有效性。与最先进的基于NeRF的方法相比，LL-Gaussian实现了高达2000倍的更快推理速度，并将训练时间缩短至仅2%，同时提供卓越的重建和渲染质量。
论文及项目相关链接
Summary
本文提出了LL-Gaussian框架，用于从低光sRGB图像进行3D重建和增强，实现伪正常光的新视角合成。该框架引入三个关键创新点：低光高斯初始化模块、双分支高斯分解模型和基于物理约束与扩散先验的无监督优化策略。同时，贡献了一个极端低光环境下收集的挑战性数据集，并展示了LL-Gaussian的有效性。相较于先进的NeRF方法，LL-Gaussian推理速度更快，训练时间减少至仅2%，同时提供卓越的重建和渲染质量。
Key Takeaways
- LL-Gaussian框架解决了从低光sRGB图像进行3D重建和增强的问题，实现了伪正常光的新视角合成。
- 引入低光高斯初始化模块（LLGIM），利用基于学习的MVS方法的密集先验生成高质量初始点云。
- 采用双分支高斯分解模型，将场景的本质属性（反射率和照明）与瞬时干扰分离，实现稳定和可解释的优化。
- 采用基于物理约束和扩散先验的无监督优化策略，联合引导分解和增强。
- 贡献了一个在极端低光环境下收集的挑战性数据集。
- 与先进的NeRF方法相比，LL-Gaussian推理速度更快，训练时间大幅减少，同时提供卓越的重建和渲染质量。
点此查看论文截图
