Projection-Volume Fidelity Divergence: Diagnosing and Controlling Optimization Drift in Sparse-View 3D Gaussian Tomography

Technische Samenvatting: Projectie-Volume Getrouwheidsdivergentie in Sparse-View 3D Gaussian Tomografie

1. Probleemstelling

Sparse-view computed tomography (CT) is een ernstig slecht gestelde inverse probleem waarbij een 3D-attenuatiefeld moet worden gereconstrueerd uit een beperkt aantal röntgenprojecties. Hoewel recente 3D Gaussian Splatting (3DGS) methoden efficiënte expliciete representaties hebben geboden voor tomografische reconstructie, identificeert dit artikel een kritieke foutmodus die specifiek is voor sparse-view beperkingen: Projectie-Volume Getrouwheidsdivergentie (PVFD).

In standaard projectie-gesuperviseerde optimalisatie is de aanname dat het verbeteren van de fit met geobserveerde projecties (projectiedomein PSNR) correleert met het verbeteren van de 3D-reconstructiekwaliteit (volumetrische getrouwheid). De auteurs observeren echter dat in sparse-view 3DGS-CT de projectiedomein PSNR kan blijven toenemen terwijl de volumetrische reconstructiekwaliteit vroeg piekt en vervolgens verslechtert. Deze divergentie treedt op omdat de hoge flexibiliteit van Gaussian primitieven hen in staat stelt om overmatig te adapteren aan sparse-view residuen, ontbrekende hoek-ambiguïteiten en view-specifieke ruis. In plaats van de ware 3D-structuur te herstellen, stuurt de optimalisatie de vorming aan van anisotrope, "naaldachtige" of "plaatachtige" primitieven die de projectiefouten langs specifieke kijkrichtingen verminderen, maar de fysieke plausibiliteit en stabiliteit van het gereconstrueerde dichtheidsveld in gevaar brengen.

2. Methodologie

Om PVFD aan te pakken, stellen de auteurs LADES voor (Linearly Annealed Dropout and Structure-Aware Early Stopping), een ground-truth-vrije optimalisatiecontroller die is ontworpen om de volumetrische structuur van de Gaussian-representatie te monitoren en te controleren.

A. Diagnose: Structurele Degeneratiemetrieken
De auteurs karakteriseren PVFD eerst met behulp van twee diagnostische maten die de structurele degeneratie kwantificeren zonder grondwaarheid-volumes te vereisen:

• Geometric Anisotropy Index (GAI): Meet de vormimbalans van individuele Gaussian primitieven. Een hoge GAI duidt op "naaldachtige" of "plaatachtige" vervormingen. Het artikel volgt de Global GAI (gemiddelde anisotropie) en de Needle Ratio (fractie van primitieven met extreme anisotropie).
• Volumetric Co-adaptation Score (VCS): Meet de fragiliteit van het gereconstrueerde volume. Door stochastische Bernoulli-masks toe te passen op subsets van primitieven en het resultaat te voxeliseren, kwantificeert VCS de variantie in het dichtheidsveld. Een hoge VCS geeft aan dat het volume fragiel is en afhankelijk is van fragiele, view-specifieke co-adaptatie tussen primitieven in plaats van robuuste structurele ondersteuning.

B. LADES Framework
LADES combineert twee mechanismen om PVFD te onderdrukken:

1. Linearly Annealed Dropout (LAD):

   • Mechanisme: Past sterke stochastische masking toe (het droppen van primitieven) tijdens de vroege stadia van de training en laat de dropout-waarschijnlijkheid lineair afnemen naar nul.
   • Rationale: Vroeg in de training induceren sparse projecties voortijdige co-adaptatie waarbij primitieven afhankelijk zijn van specifieke buren om residuen te verklaren. Sterke vroege dropout dwingt primitieven om stabiele, cross-view structuren onafhankelijk te verklaren. Naarmate de training vordert, neemt de dropout-rate af, waardoor het model de volledige representatieve capaciteit kan herstellen voor het verfijnen van grenzen en het consolideren van dichtheidsdetails.
   • Contrast: In tegen tegenstelling tot vaste dropout (die de capaciteit gedurende de hele training beperkt) of toenemende dropout-schema's (ontworpen voor late-stage rendering), richt LAD zich op het specifieke temporele venster waar structurele co-adaptatie ontstaat.

2. Structure-Aware Early Stopping (SAES):

   • Mechanisme: Monitort de groei-momentum van de Gaussian populatie (clone/split operaties). Wanneer de genormaliseerde populatiegroei onder een drempelwaarde valt, triggert SAES de beëindiging van de densificatie.
   • Rationale: Voortgezette densificatie na verzadiging van de hoofd-volumetrische structuur introduceert redundante, anisotrope primitieven die de volumetrische getrouwheid verslechteren. SAES detecteert deze verzadiging met behulp van intrinsieke modeldynamiek in plaats van externe validatiemetrieken.
   • Transitie: Bij het triggeren schakelt het model over naar fixed-topology verfijning, schakelt het dropout uit, koelt het de learning rates voor geometrie-parameters af en reset de Adam-momenten om de transitie te stabiliseren.

3. Belangrijkste Bijdragen

1. Identificatie van PVFD: Het artikel karakteriseert een specifieke foutmodus in sparse-view 3DGS-CT waarbij verbeterde projectiefitting samenvalt met verslechterende volumetrische getrouwheid, gedreven door anisotrope Gaussian deformatie en view-specifieke co-adaptatie.
2. Structurele Diagnostiek: Introductie van de Geometric Anisotropy Index (GAI) en de Volumetric Co-adaptation Score (VCS) om primitief-niveau anisotropie en volume-niveau fragiliteit te kwantificeren, wat ground-truth-vrije indicatoren biedt voor de gezondheid van de optimalisatie.
3. LADES Framework: Een nieuwe trainingscontrole-strategie die Linearly Annealed Dropout en Structure-Aware Early Stopping combineert. Het onderdrukt vroege co-adaptatie en voorkomt redundante late-stage densificatie zonder toegang te hebben tot grondwaarheid-volumes tijdens de training.
4. Empirische Validatie: Demonstratie dat LADES de volumetrische getrouwheid verbetert, structurele degeneratie onderdrukt en de trainingstijd aanzienlijk verkort vergeleken met baselines, terwijl het competitieve projectie-accuratesse behoudt.

4. Experimentele Resultaten

De auteurs evalueerden LADES op echte röntgen CT-data van de Finnish Inverse Problems Society (FIPS) dataset (walnoot, dennenappel, schelp) onder sparse-view instellingen (10, 20 en 25 views).

• Volumetrische Getrouwheid: LADES bereikte de hoogste gemiddelde 3D PSNR (36,33 dB) en 3D SSIM (0,853) van alle vergeleken methoden (inclusclusief FDK, SART en diverse Gaussian-gebaseerde baselines zoals R2-Gaussian, TAG-Gaussian en GR-Gaussian).
• PVFD Mitigatie: Terwijl baseline methoden (bijv. R2-Gaussian) significante post-peak degradatie vertoonden ($\Delta$PVFD $\approx$ 0,48 dB) en toegenomen structurele degeneratie (hoge GAI en Needle Ratio), elimineerde LADES waarneembare post-peak degradatie ($\Delta$PVFD $\approx$ 0,00) en verminderde de Needle Ratio met een orde van grootte (bijv. van 7,74% naar 0,77% in de 25-view setting).
• Efficiëntie: Door de densificatie vroegtijdig te stoppen via SAES, verminderde LADES de totale trainingstijd met ongeveer 64% (van ~10,3 minuten naar ~3,7 minuten) vergeleken met baselines die getraind werden voor een vaste 30.000 iteraties, terwijl het superieure reconstructiekwaliteit bereikte.
• Ablatie: Experimenten bevestigden dat zowel LAD als SAES noodzakelijk zijn; vaste dropout veroorzaakte onderfitting, terwijl LAD-alleen of SAES-alleen varianten minder effectief waren dan de gecombineerde aanpak.

5. Betekenis en Claims

Het artikel beweert dat robuuste Gaussian-gebaseerde tomografie in sparse-view settings vereist dat men de volumetrische structuur monitort en controleert in plaats van enkel de projectiefit te optimaliseren. De betekenis van dit werk ligt in:

• Diagnose: Het bieden van een theoretische en empirische verklaring voor waarom projectieconsistentie faalt als proxy voor volumetrische correctheid in sparse-view 3DGS-CT, toegeschreven aan de exploitatie van de null-ruimte van de Radon-transformatie door anisotrope primitieven.
• Ground-Truth-Vrije Controle: Het demonstreren dat effectieve optimalisatiecontrole (stoppen en regularisatie) kan worden bereikt met behulp van intrinsieke modelsignalen (populatiegroei, stochastische masking) zonder grondwaarheid-volumes te vereisen, die typisch niet beschikbaar zijn in real-world sparse-view scenario's.
• Praktische Efficiëntie: Het aanbieden van een methode die niet alleen de reconstructiekwaliteit verbetert, maar ook de computationele kosten drastisch vermindert door onnodige late-stage optimalisatie te vermijden.

De auteurs merken bescheiden op dat hun evaluatie momenteel beperkt is tot sparse-view CT op de FIPS-dataset met Gaussian-gebaseerde backbones. Zij stellen dat generalisatie naar andere scannergeometrieën, ruisniveaus en klinische protocollen verdere validatie vereist, en zij beweren niet direct klaar te zijn voor klinische inzet.