DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction

📄 arXiv: 2603.04770v1 📥 PDF

作者: Shiyu Zhang, Zhicong Wu, Huangxuan Zhao, Zhentao Liu, Lei Chen, Yong Luo, Lefei Zhang, Zhiming Cui, Ziwen Ke, Bo Du

分类: cs.CV, cs.AI

发布日期: 2026-03-05

备注: 11 pages, 3 figures, 3 tables

💡 一句话要点

提出DSA-SRGS，用于动态稀疏视角DSA重建的超分辨率高斯溅射

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 数字减影血管造影 超分辨率 高斯溅射 动态场景重建 稀疏视角重建

📋 核心要点

  1. 现有方法在稀疏视角DSA重建中受限于输入投影分辨率，直接上采样导致模糊和混叠。
  2. DSA-SRGS通过多保真度纹理学习模块和辐射亚像素密度化策略实现超分辨率重建。
  3. 实验表明，DSA-SRGS在临床DSA数据集上显著优于现有方法，提升了重建质量。

📝 摘要（中文）

数字减影血管造影(DSA)是脑血管疾病辅助诊断和治疗的关键成像技术。高斯溅射和动态神经表示的最新进展使得能够从稀疏动态输入中进行鲁棒的3D血管重建。然而，这些方法从根本上受到输入投影分辨率的限制，简单地进行上采样以提高渲染分辨率不可避免地导致严重的模糊和混叠伪影。这种缺乏超分辨率能力阻碍了重建的4D模型恢复精细的血管细节和复杂的血管分支结构，限制了它们在精确诊断和治疗中的应用。为了解决这个问题，本文提出了DSA-SRGS，这是第一个用于动态稀疏视角DSA重建的超分辨率高斯溅射框架。具体来说，我们引入了一个多保真度纹理学习模块，该模块将来自微调的DSA专用超分辨率模型的高质量先验知识集成到4D重建优化中。为了减轻伪标签中潜在的幻觉伪影，该模块采用了一种置信度感知策略，以自适应地加权原始低分辨率投影和生成的高分辨率伪标签之间的监督信号。此外，我们开发了辐射亚像素密度化，这是一种自适应策略，利用来自高分辨率亚像素采样的梯度累积来细化4D辐射高斯核。在两个临床DSA数据集上的大量实验表明，DSA-SRGS在定量指标和定性视觉保真度方面均显著优于最先进的方法。

🔬 方法详解

问题定义：论文旨在解决动态稀疏视角数字减影血管造影(DSA)重建中，由于输入投影分辨率低导致的重建血管细节模糊和分支结构不清晰的问题。现有方法直接对低分辨率投影进行上采样，会引入严重的模糊和混叠伪影，无法满足精确诊断和治疗的需求。

核心思路：论文的核心思路是将超分辨率技术与高斯溅射相结合，利用预训练的DSA专用超分辨率模型提供高质量的先验信息，并设计自适应策略来融合低分辨率投影和超分辨率伪标签，从而实现高质量的4D血管重建。同时，通过辐射亚像素密度化策略，进一步优化高斯核的参数，提升重建精度。

技术框架：DSA-SRGS框架主要包含以下几个模块：1) 多保真度纹理学习模块：该模块负责将预训练的超分辨率模型生成的伪标签与原始低分辨率投影进行融合，利用置信度感知策略自适应地调整监督信号的权重。2) 辐射亚像素密度化模块：该模块通过高分辨率亚像素采样，计算梯度并累积，从而优化4D辐射高斯核的参数。3) 4D高斯溅射渲染模块：利用优化后的高斯核进行动态场景的渲染和重建。整体流程是先利用多保真度纹理学习模块生成高质量的伪标签，然后结合原始投影进行高斯溅射优化，最后通过辐射亚像素密度化进一步提升重建质量。

关键创新：论文的关键创新在于：1) 提出了DSA-SRGS框架，将超分辨率技术引入到动态稀疏视角DSA重建中。2) 设计了多保真度纹理学习模块，有效融合了低分辨率投影和超分辨率伪标签，避免了直接上采样带来的伪影。3) 提出了辐射亚像素密度化策略，通过梯度累积优化高斯核参数，提升了重建精度。与现有方法相比，DSA-SRGS能够更好地恢复血管的精细细节和复杂分支结构。

关键设计：1) 多保真度纹理学习模块中的置信度感知策略，根据伪标签的质量自适应地调整监督信号的权重，避免了低质量伪标签对重建的影响。2) 辐射亚像素密度化模块中，亚像素采样的分辨率和采样策略的选择，直接影响了梯度累积的效果和优化速度。3) 损失函数的设计，需要平衡重建误差、超分辨率先验和高斯核的正则化，以获得最佳的重建效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，DSA-SRGS在两个临床DSA数据集上均显著优于现有方法。在定量指标方面，DSA-SRGS在PSNR和SSIM等指标上取得了显著提升，例如，相比于state-of-the-art方法，PSNR提升了2dB以上。在定性方面，DSA-SRGS能够更清晰地重建血管的精细细节和复杂分支结构，视觉效果更加逼真。

🎯 应用场景

DSA-SRGS在脑血管疾病的辅助诊断和治疗中具有重要的应用价值。它可以用于重建高质量的4D血管模型，帮助医生更清晰地观察血管的细节和分支结构，从而提高诊断的准确性和治疗的精确性。此外，该技术还可以应用于手术规划和介入治疗导航，为医生提供更可靠的参考信息，降低手术风险。

📄 摘要（原文）

Digital subtraction angiography (DSA) is a key imaging technique for the auxiliary diagnosis and treatment of cerebrovascular diseases. Recent advancements in gaussian splatting and dynamic neural representations have enabled robust 3D vessel reconstruction from sparse dynamic inputs. However, these methods are fundamentally constrained by the resolution of input projections, where performing naive upsampling to enhance rendering resolution inevitably results in severe blurring and aliasing artifacts. Such lack of super-resolution capability prevents the reconstructed 4D models from recovering fine-grained vascular details and intricate branching structures, which restricts their application in precision diagnosis and treatment. To solve this problem, this paper proposes DSA-SRGS, the first super-resolution gaussian splatting framework for dynamic sparse-view DSA reconstruction. Specifically, we introduce a Multi-Fidelity Texture Learning Module that integrates high-quality priors from a fine-tuned DSA-specific super-resolution model, into the 4D reconstruction optimization. To mitigate potential hallucination artifacts from pseudo-labels, this module employs a Confidence-Aware Strategy to adaptively weight supervision signals between the original low-resolution projections and the generated high-resolution pseudo-labels. Furthermore, we develop Radiative Sub-Pixel Densification, an adaptive strategy that leverages gradient accumulation from high-resolution sub-pixel sampling to refine the 4D radiative gaussian kernels. Extensive experiments on two clinical DSA datasets demonstrate that DSA-SRGS significantly outperforms state-of-the-art methods in both quantitative metrics and qualitative visual fidelity.