通过神经场对动态 CT 图像重建的增强及明确运动规则化
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本研究提出了多种基于神经表示和运动场的重建方法，以提高动态场景的重建质量和效率。结合模型驱动与数据驱动的方法，在光流场修复和视频压缩等领域展现了优越性能，推动了相关技术的发展。
❓
Q&A
什么是PREF框架，它的主要功能是什么？
PREF框架利用神经运动场在多视角下估计运动，并通过可预测性正则化增强预测性能。
DCT-NeRF方法的主要特点是什么？
DCT-NeRF是一种基于坐标的神经表示方法，用于动态场景的高质量重建，学习空间中每个点的平稳和稳定轨迹。
如何通过Navier-Stokes方程实现高保真流体重构？
通过利用流体的Navier-Stokes方程进行稀疏视频的端到端优化，实现高保真流体重构。
该研究如何结合模型驱动和数据驱动的方法？
研究通过组合显式基于偏微分方程的方法与卷积神经网络，实现光流场修复任务的联合架构。
隐式神经表示方法的优势是什么？
隐式神经表示方法能够从稀疏传感器数据中可靠地重构物理场，表现出优越的重构质量。
如何解决混合神经场引起的伪影问题？
提出了后处理算子和自监督微调方法，以获得更准确的导数并减少伪影。
🏷️
