DiffNR：扩散增强的神经表示优化用于稀疏视角三维断层重建 DiffNR: Diffusion-Enhanced Neural Representation Optimization for Sparse-View 3D Tomographic Reconstruction

DiffNR训练流程如Algorithm 1：每轮迭代$j$先渲染预测投影$\tilde I_i$与真实投影$I_i$算L1+SSIM损失，并查询NR体积加TV正则化。若$j\bmod\ell=0$（$\ell=10k$），查询当前体$\tilde V_\ell$，每张轴向切片上采样到$512^2$喂SliceFixer得修复切片$\hat S$，下采样回原分辨率堆叠成伪参考体$\hat V_\ell$；若$j\bmod\tau=0$（$\tau=10/20$），在$\tilde V$与$\hat V_\ell$间算3D SSIM损失（$\lambda_{diff}=0.5$）并更新NR。SliceFixer基于SD-Turbo微调，VAE与UNet注入LoRA+零卷积，损失含$\mathcal{L}_{L2}$、$\mathcal{L}_{LPIPS}$、CLIP对齐、GAN、SSIM五项，训练数据混合NAF与R2-Gaussian并故意欠拟合NR以制造多样化伪影样本。

技术新颖性可从四个维度评价：①架构层—首次把单步扩散骨干作为NR优化的“外挂修复器”而非求解器嵌入循环；②任务适配—把修复单元从Difix3D+的RGB投影层迁移到CT切片层，并相应把增强信号从2D中间图像改成3D体；③条件设计—双平面投影$RAD-DINO$特征+文本prompt的多模态条件注入，把投影域结构信息显式喂给扩散模型；④训练策略—通过“混合NR+故意欠拟合+多样视角分布”的数据策展，构造出专门针对NR伪影的成对训练集。这些设计整体构成了与现有CT扩散工作完全不同的技术路线。

独立分析论文仍存在以下可改进之处：第一，$\ell=10k$、$\tau=10/20$是经验超参，没有自适应机制——若NR收敛快则冗余查询，若收敛慢则参考体质量不足，可以引入基于残差监测的动态调度；第二，3D SSIM损失虽然缓解幻觉但本质上仍是低层结构约束，无法刻画精细解剖语义，临床医生关心的微钙化点等小目标可能仍被扩散先验“抹平”；第三，方法依赖双平面投影作为条件输入，对仅有单平面探测器或并行束CT的部署场景需要重新设计条件通路；第四，伪参考体生成与NR训练是串行的，整体时间仍受扩散推理拖累，若改为分布式流水线或异步生成可进一步提速；第五，对金属伪影、运动伪影、噪声投影这些真实临床问题未涉及，限制了在实际放射科工作流中的直接落地。

作者在结论中暗示要把“扩散+NR”的范式推广到更广泛的逆问题。基于此，未来方向可包括：①扩展SliceFixer到矢状、冠状甚至斜切方向的多平面修复，并设计3D SSIM的多视角一致性约束；②与并行束CT、有限角CT、甚至是金属伪影校正任务结合，验证框架的可移植性；③探索SliceFixer与NR的联合训练而非冻结扩散，让修复能力与NR同步进化；④把扩散条件从双平面投影升级为“全角度稀疏投影+文本报告”，把放射科医生的先验知识也编码进来；⑤进一步把DiffNR思路迁移到MRI重建（参考Chu等2025）、PET、压缩感知成像等其他3D逆问题领域；⑥引入不确定性估计，让SliceFixer在低置信区域才介入，从而节省推理开销。

复现性总体良好但有一定门槛。作者承诺代码与模型公开（项目页ooonesevennn.github.io/DiffNR/），基于PyTorch+Adam实现；SliceFixer从SD-Turbo微调，VAE与UNet注入LoRA（秩8/4）并通过零卷积接入；微调学习率$1\times 10^{-5}$、batch 4，在4张H100上对ToothFairy跑40k步、LUNA16跑70k步；下游NR测试在单张RTX 3090上进行，NAF 11k轮、R2-Gaussian 13.5k轮。$\ell=10k$、$\tau=10/20$为固定超参，$\lambda_{CLIP}=4$、$\lambda_{GAN}=0.4$、$\lambda_{SSIM}=0.5$。数据预处理需将CT体与投影统一到$256^3$与$256^2$分辨率，伪参考体上采样到$512^2$。4×H100微调资源是主要门槛，普通实验室可降LoRA秩或用公开LUNA16/ToothFairy做轻量复现。