RCL-Mamba: A Dual-domain State Space Model for Measurement-oriented Image Restoration in Rotational Sparse-View Scanning Computed Laminography
作者: Xuyang Duan, Genyuan Zhang, Zhenjiang Dong, Chuandong Tan, Zihao Wang, Junyao Wang, Fenglin Liu
分类: cs.CV
发布日期: 2026-06-30
💡 一句话要点
提出RCL-Mamba以解决旋转稀疏视图扫描图像恢复问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 旋转扫描 图像恢复 稀疏视图 无损检测 状态空间模型 深度学习 模糊校正 伪影抑制
📋 核心要点
- 现有方法在旋转稀疏视图扫描中面临旋转模糊和稀疏伪影等问题，影响图像质量和检测效率。
- 论文提出RCL-Mamba，通过双域状态空间模型，分别在投影域和图像域进行模糊校正和伪影抑制。
- 实验结果表明，RCL-Mamba在模糊去除和结构保留方面显著优于现有方法，并提高了检测效率。
📝 摘要（中文）
旋转扫描计算层析（RCL）广泛应用于大型平面组件的无损检测。然而，为了实现快速检测，通常采用连续稀疏视图扫描，这在曝光过程中引发了投影域的旋转模糊。此外，稀疏采样固有的数据不完整性在重建图像域中表现为稀疏伪影。为了解决这些跨域退化问题，本文提出了基于测量导向的双域状态空间模型（SSM）的图像恢复网络RCL-Mamba。该框架采用级联联合处理策略：首先在投影域中校正旋转模糊，然后在图像域中抑制稀疏伪影。通过对模拟数据集和实际印刷电路板（PCB）扫描的评估，RCL-Mamba在模糊去除、伪影抑制和结构保留方面优于现有基线。关键在于将所需扫描视图从512减少到64，显著提高了检测效率约8倍，同时不影响重建质量。
🔬 方法详解
问题定义：本文旨在解决旋转稀疏视图扫描中因旋转模糊和稀疏采样导致的图像恢复问题。现有方法在处理这些跨域退化时存在效果不佳和效率低下的痛点。
核心思路：RCL-Mamba采用测量导向的双域状态空间模型，首先在投影域校正旋转模糊，然后在图像域抑制稀疏伪影，形成级联联合处理策略，以提高图像恢复质量。
技术框架：整体架构包括两个主要模块：投影域的模糊校正模块和图像域的伪影抑制模块。通过Mamba-CNN双分支模块，动态平衡大规模模糊校正与局部细节恢复。
关键创新：最重要的创新在于提出了双域状态空间模型，能够有效处理旋转模糊和稀疏伪影，显著提高了图像恢复的质量和效率。
关键设计：在网络结构上，设计了Mamba-CNN双分支模块，采用特定的损失函数以优化模糊校正和伪影抑制的平衡，同时通过调整超参数来适应不同的扫描条件。
🖼️ 关键图片
📊 实验亮点
实验结果显示，RCL-Mamba在模糊去除和伪影抑制方面显著优于现有基线，尤其是在结构保留方面表现突出。通过将所需扫描视图从512减少到64，检测效率提高了约8倍，同时保持了重建质量。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在大型平面组件的无损检测领域。通过提高检测效率和图像质量，RCL-Mamba能够在工业生产中实现更快速的质量控制，降低成本并提高生产效率。未来，该方法还可扩展至其他领域，如医学成像和材料科学中的图像恢复任务。
📄 摘要（原文）
Rotational Scanning Computed Laminography (RCL) is widely utilized for the Non-Destructive Testing(NDT) of large planar components. However, to facilitate rapid inspection, continuous sparse-view scanning is often employed, where the angular integration effect during exposure induces rotational blur in the projection domain. Furthermore, the data incompleteness inherent in sparse sampling manifests as sparse artifacts in the reconstructed image domain. To address these cross-domain degradations, this paper proposes RCL-Mamba, a measurement-oriented dual-domain State Space Model (SSM)-based image restoration network. The framework adopts a cascaded joint processing strategy: it first corrects the rotational blur in the projection domain and subsequently suppresses the sparse artifacts in the image domain. Additionally, we design a Mamba-CNN dual-branch module to adaptively balance large-scale blur correction with local detail recovery. Evaluations on both simulated datasets and real-world Printed Circuit Board (PCB) scans demonstrate that RCL-Mamba outperforms existing baselines in blur removal, artifact suppression, and structural preservation. Line-profile-based structural measurement further verifies that the proposed method better preserves via/pad boundaries and slender trace profiles. Crucially, by reducing the required scanning views from 512 to 64, our method enhances inspection efficiency by approximately 8-fold without compromising reconstruction quality, offering a robust measurement-oriented restoration solution for high-throughput RCL inspection with improved structural measurement fidelity.