隐式神经表示
隐式神经表示（INR）是指把待求的 CT 体数据表示为一个坐标网络，把三维（或三维加时间）位置映射为衰减值，并拟合该网络，使其模拟投影与实测投影一致。网络本身就是图像；重建是逐扫描的优化，而不是用预训练模型做推理。
由于表示是连续的、针对每次扫描拟合，INR 不需要训练数据，能自然地处理稀疏视角、有限角和动态采集；多分辨率哈希编码使其速度足以处理锥束体数据。这一类方法常被称为神经衰减场或 NeRF 式 X 射线方法。
当前工作集中在：减少过度平滑或拟合噪声的编码与网络结构、来自预训练模型或扩散模型的先验、用于 4D-CT 的运动场、用于金属伪影的多色前向模型，以及不确定性量化。高斯溅射是与之密切相关的显式替代方案，有单独的主题页。
入门推荐
如果你刚接触这个主题，可以先读这几篇；由维护者挑选。
- NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction (MICCAI, 2022 · code)
采用哈希编码的神经衰减场，是稀疏视角 CBCT 的标准 INR 基线，附代码。 - Structure-Aware Sparse-View X-Ray 3D Reconstruction (CVPR, 2024 · code)
以线段 Transformer 为骨干的结构感知神经辐射密度场，附代码。 - Dynamic CT Reconstruction From Limited Views With Implicit Neural Representations (ICCV, 2021)
借助参数化运动场把 INR 扩展到快速形变的 4D-CT 场景。 - Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction (NeurIPS, 2023 · code)
建模金属物理过程的多色 INR，用于无监督金属伪影校正，附代码。 - PINER: Prior-Informed Implicit Neural Representation Learning for Test-Time Adaptation in Sparse-View CT Reconstruction (WACV, 2023 · code)
利用 INR 在未知噪声下对稀疏视角 CT 模型做测试时自适应，附代码。
论文
全部 25 篇，按时间倒序。
数据集、基准与工具库
目录中任务或标签与本主题相符的条目。
- Finnish Inverse Problems Society (FIPS) datasets (官方页面) · 数据集 — Projection only. 一批真实测量的正弦图（核桃、莲藕、苹果、胡萝卜、体模），采集几何记录详尽——检验重建算子最干净的公开来源。
- FleX-ray Walnut CBCT Collection (CWI) (官方页面) · 数据集 — Projection + image. 42 个核桃，每个沿三条不同轨道各采集一次——因此可由合并视角算出无伪影的参考体，用作监督学习的真值。值得注意的是这并非又一个单一物体体模：其设计意图是同一类物体之间的自然变异。完整流水线一并给出——原始投影、扫描几何、预处理与重建脚本（均为开源软件）以及重建后的体数据，因而既可用于高锥角伪影抑制，也可用于稀疏角／有限角重建、超分辨与分割。数据分六个 Zenodo 存档发布，覆盖样本 1–42。
- TIGRE · 工具库 — GPU 加速（CUDA）的锥束与平行束 CT 工具箱；提供 FDK、SART、SIRT、CGLS 及 TV 变体。
- tomosipo · 工具库 — 以极低的负担描述二维/三维投影几何；封装 ASTRA 并与 PyTorch 打通。
- torch-radon · 工具库 — PyTorch 中的可微分 Radon 变换与滤波反投影。
指南
涵盖本主题的指南。