⚠️ 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
2025-11-20 更新
Dental3R: Geometry-Aware Pairing for Intraoral 3D Reconstruction from Sparse-View Photographs
Authors:Yiyi Miao, Taoyu Wu, Tong Chen, Ji Jiang, Zhe Tang, Zhengyong Jiang, Angelos Stefanidis, Limin Yu, Jionglong Su
Intraoral 3D reconstruction is fundamental to digital orthodontics, yet conventional methods like intraoral scanning are inaccessible for remote tele-orthodontics, which typically relies on sparse smartphone imagery. While 3D Gaussian Splatting (3DGS) shows promise for novel view synthesis, its application to the standard clinical triad of unposed anterior and bilateral buccal photographs is challenging. The large view baselines, inconsistent illumination, and specular surfaces common in intraoral settings can destabilize simultaneous pose and geometry estimation. Furthermore, sparse-view photometric supervision often induces a frequency bias, leading to over-smoothed reconstructions that lose critical diagnostic details. To address these limitations, we propose \textbf{Dental3R}, a pose-free, graph-guided pipeline for robust, high-fidelity reconstruction from sparse intraoral photographs. Our method first constructs a Geometry-Aware Pairing Strategy (GAPS) to intelligently select a compact subgraph of high-value image pairs. The GAPS focuses on correspondence matching, thereby improving the stability of the geometry initialization and reducing memory usage. Building on the recovered poses and point cloud, we train the 3DGS model with a wavelet-regularized objective. By enforcing band-limited fidelity using a discrete wavelet transform, our approach preserves fine enamel boundaries and interproximal edges while suppressing high-frequency artifacts. We validate our approach on a large-scale dataset of 950 clinical cases and an additional video-based test set of 195 cases. Experimental results demonstrate that Dental3R effectively handles sparse, unposed inputs and achieves superior novel view synthesis quality for dental occlusion visualization, outperforming state-of-the-art methods.
口腔内3D重建是数字正畸的基础，但传统的如口腔内扫描等方法对于远程正畸而言是不可行的，远程正畸通常依赖于稀疏的智能手机图像。虽然3D高斯Splatting（3DGS）在新型视图合成方面显示出潜力，但将其应用于未摆姿势的前方和双侧颊部照片的标准临床三联征具有挑战性。较大的视图基线、照明不一致和口腔内常见的镜面表面会破坏姿态和几何估计的同时稳定性。此外，稀疏视图的光度监督常常会导致频率偏差，从而产生过度平滑的重建结果，丢失关键的诊断细节。为了解决这些局限性，我们提出了\textbf{Dental3R}，这是一种无姿态、以图引导的管道，可从稀疏的口腔内照片中进行稳健、高保真重建。我们的方法首先构建了一种几何感知配对策略（GAPS），以智能方式选择高价值图像对组成的紧凑子图。GAPS专注于对应匹配，从而提高几何初始化的稳定性并减少内存使用。在恢复的姿态和点云的基础上，我们采用小波正则化的目标训练3DGS模型。通过使用离散小波变换强制执行带限保真度，我们的方法在保留精细的牙釉质边界和邻面边缘的同时，抑制了高频伪影。我们在包含950个临床病例的大规模数据集和额外的基于视频的测试集（包含195个病例）上验证了我们的方法。实验结果表明，Dental3R有效地处理了稀疏、未摆姿势的输入，实现了优越的视图合成质量，在牙齿咬合可视化方面超越了最先进的方法。
论文及项目相关链接
Summary
这篇文本介绍了在数字正畸领域中，由于传统的三维重建方法如口腔内扫描不适用于远程正畸，因此研究者提出了一种基于稀疏口腔照片的稳健、高保真重建方法——Dental3R。该方法采用几何感知配对策略（GAPS）和基于小波正则化的目标训练三维高斯投影模型，以提高几何初始化的稳定性并保留精细的牙齿边缘。实验结果表明，Dental3R能够处理稀疏、非定位输入，实现高质量的新视角合成，用于牙齿咬合可视化，优于其他先进方法。
Key Takeaways
以下是该文本的关键见解：
- 远程正畸依赖于稀疏的智能手机图像，因此口腔内的三维重建面临挑战。
- 当前的方法如3D Gaussian Splatting（3DGS）在处理口腔照片时面临大型视图基线、照明不一致和镜面表面的问题。
- 提出的Dental3R方法是一种无姿态、图形引导的管道，可从稀疏的口腔照片中进行稳健的高保真重建。
- Dental3R采用几何感知配对策略（GAPS）来智能选择高价值图像对的紧凑子图，提高几何初始化的稳定性并减少内存使用。
- 通过采用小波正则化的目标训练三维高斯投影模型，Dental3R能够保留精细的牙齿边缘并抑制高频伪影。
- 实验结果表明，Dental3R能够处理稀疏的非定位输入，实现高质量的新视角合成，用于牙齿咬合可视化。