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。
🔎
延伸解读
神经场在动态重建中的核心作用
文章汇总的多项研究均围绕神经场展开，尤其是隐式神经表示和神经运动场。这些方法将动态场景建模为连续函数，能够从有限视角或稀疏数据中重建4D-CT、视频和物理场。神经场不仅提升了重建质量，还通过运动正则化增强了预测能力，成为动态场景重建的关键技术。
模型驱动与数据驱动的融合趋势
文章提到将模型驱动方法（如偏微分方程）与数据驱动方法（如卷积神经网络）结合，在光流场修复任务中取得了优于纯数据驱动基线的效果。这种融合思路也体现在利用Navier-Stokes方程优化流体重构中，表明结合物理约束与学习能力是提升重建保真度的重要方向。
下游应用中的伪影与导数问题
混合神经场在渲染、碰撞模拟和求解偏微分方程等下游应用中可能产生不合理现象和伪影。文章提出后处理算子和自监督微调两种方法，以获得更准确的导数并减少伪影。这提示读者，神经场在应用时需关注其导数精度，否则可能影响模拟结果的可靠性。
❓
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。
🏷️
