稀疏视角 CT 重建：方法、数据集与入门路径
最近更新：
稀疏视角 CT 重建是指只用少量角度的投影来恢复图像。入门时，建议把一个经典基线（TV 正则化迭代重建）和一个已公开代码的学习方法搭配起来，并在带原始投影的数据集上同时测试：模拟正弦图可以用 LoDoPaB-CT 或 AAPM DL-Sparse-View CT 数据，实测数据可以用 2DeteCT 或 FleX-ray 核桃数据集。
目录目前收录 157 篇稀疏视角论文，其中 40 篇附代码。下面的表格都由这些记录生成。
方法族对比
目录中的稀疏视角论文同时标注了所用的方法族，每个方法族都有自己的主题页。下表统计了每个方法族中的稀疏视角论文数量，并列出其中最新一篇已公开代码的论文。一篇论文可以属于多个方法族。
| 方法族 | 简介 | 论文数 | 附代码 | 最新的附代码论文 |
|---|---|---|---|---|
| 经典与迭代重建 | 解析法（FBP/FDK）与迭代法（SART/SIRT/CGLS），以及手工设计的正则项（TV、TGV、非局部）。 | 23 | 1 | Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction (ICML, 2026) |
| 深度展开与基于模型的学习 | 把经典求解器展开成网络的学习型迭代方案，可带或不带数据一致性约束。 | 22 | 7 | Resolution-Agnostic Neural Operators for Multi-Rate Sparse-View CT (ECCV, 2026) |
| 自监督与免训练方法 | 无需成对数据的训练——深度图像先验、noise2noise 类方法、无监督正则。 | 8 | 4 | 3D Field of Junctions: A Noise-Robust, Training-Free Structural Prior for Volumetric Inverse Problems (ECCV, 2026) |
| 扩散与生成式先验 | 把分数模型、扩散模型以及其他学习型生成先验用作层析反演的先验或采样器。 | 27 | 8 | Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction (ICML, 2026) |
| 隐式神经表示 | 用坐标网络（INR / NeRF）直接表示待求的体数据本身。 | 11 | 6 | NAB: Neural Adaptive Binning for Sparse-View CT Reconstruction (ICLR, 2026) |
| 高斯溅射 | 以显式高斯基元作为可微的层析表示。 | 9 | 5 | AD-GS: Anatomical Density-guided 3D Gaussian Splatting for Sparse-View Dental CBCT Reconstruction (预印本, 2026) |
数据集与基准
基准测试通常从完整扫描中保留一部分角度来模拟稀疏正弦图，因此带原始投影的数据集最有用；实测数据集则用来检验方法在真实数据上是否站得住。下面每个条目都有自己的页面，列出其许可和使用它的论文。
| 名称 | 数据 | 成像方式 | 许可 |
|---|---|---|---|
| LoDoPaB-CT | 投影 + 图像 | 2D fan-beam | CC BY 4.0 |
| 2DeteCT | 投影 + 图像 | 2D fan-beam | CC BY 4.0 |
| AAPM DL-Sparse-View CT data | 投影 + 图像 | 2D fan-beam (simulated) | CC BY 4.0 |
| SparseBeads | 投影 + 图像 | micro-CT | CC BY 4.0 |
| FleX-ray Walnut CBCT Collection | 投影 + 图像 | cone-beam micro-CT | CC BY 4.0 |
| Carved cheese (FIPS) | 仅投影 | 2D fan-beam | CC BY 4.0 |
| 名称 | 年份 | 评估内容 |
|---|---|---|
| AAPM DL-Sparse-View CT Challenge | 2021 | 从理想无噪声的 128 视角扇束数据恢复二维乳腺 CT 体模：4,000 组训练数据、100 例测试，按 RMSE 公开排名。深度学习稀疏视角 CT 的常用参照点。 |
从哪里开始
以下是稀疏视角 CT 主题页中维护者挑选的入门论文，从经典的 TV 基线到逐扫描拟合的神经场和高斯溅射。如果缺失的是连续的一段角度（缺失楔形），而不是分散的间隔，请改看有限角层析。
| 论文 | 发表出处 | 年份 | 推荐理由 |
|---|---|---|---|
| Image reconstruction in circular cone-beam computed tomography by constrained, total-variation minimization | PMB | 2008 | 大多数稀疏视角论文至今仍会拿来对比的 TV 约束基线。 |
| A Sparse-View CT Reconstruction Method Based on Combination of DenseNet and Deconvolution · code | TMI | 2018 | 一个早期、简单的 CNN，对 FBP 图像做后处理，附代码；适合作为第一个深度学习基线。 |
| DRONE: Dual-Domain Residual-Based Optimization Network for Sparse-View CT Reconstruction · code | TMI | 2021 | 一个双域网络，在保持一致性的同时细化正弦图和图像，附代码。 |
| NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction · code | MICCAI | 2022 | 用于稀疏视角 CBCT 的自监督神经衰减场，无需训练数据、逐个扫描拟合，附代码。 |
| R2-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction · code | NeurIPS | 2024 | 首个用于稀疏视角层析重建的高斯溅射框架，速度快，附代码。 |
相关页面
- 稀疏视角 CT
- 经典与迭代重建
- 深度展开与基于模型的学习
- 自监督与免训练方法
- 扩散与生成式先验
- 隐式神经表示
- 高斯溅射
- CT 重建数据集与基准
- 低剂量 CT 去噪：基准、数据集与工具库
- 如何选择 CT 重建数据集
常见问题
什么是稀疏视角 CT？
稀疏视角 CT 是指只用少量角度的投影来重建图像，通常是几十个视角，而标准扫描需要数百到上千个视角。视角越少，剂量越低、采集越快，但滤波反投影会因此产生严重的条状伪影。
稀疏视角 CT 与有限角 CT 有什么区别？
稀疏视角 CT 缺失的视角是分散在整个扫描中的间隔；有限角 CT 缺失的则是连续的一段，即一个角度楔形，取向落在楔形内的边缘几乎不会在测量中留下信息，因此问题更加病态。两者各有自己的主题页。
稀疏视角 CT 应该用哪个数据集？
模拟稀疏正弦图可以用 LoDoPaB-CT 和 AAPM DL-Sparse-View CT 数据，后者用无噪声的 128 视角正弦图把稀疏视角问题单独剥离出来。实测数据可以用 2DeteCT、FleX-ray 核桃数据集或 SparseBeads。
稀疏视角重建一定需要训练数据吗？
不一定。隐式神经场和高斯溅射等逐扫描表示是针对每次扫描单独拟合的，自监督方法也不需要成对数据。例如 NAF 是用于稀疏视角 CBCT 的自监督神经衰减场，无需训练数据、逐个扫描拟合。