X-Splat: Gaussian Splatting for 3D CBCT Generation from Single Panoramic Radiograph
作者: Tomasz Szczepański, Szymon Płotka, Michal K. Grzeszczyk, Tomasz Trzciński, Arkadiusz Sitek
分类: cs.CV
发布日期: 2026-07-05
💡 一句话要点
提出X-Splat框架以解决单幅全景影像生成3D CBCT问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 高斯溅射 3D重建 全景影像 牙科影像学 低辐射 计算机视觉 深度学习
📋 核心要点
- 核心问题：现有方法在从单幅全景影像生成3D牙科体积时，常出现几何过平滑和解剖不一致的问题。
- 方法要点：X-Splat框架利用高斯原语沿X射线路径初始化，并通过单次前向传播进行调整，结合几何约束和多视角监督。
- 实验或效果：X-Splat在重建个别牙齿和复杂结构方面表现优异，超越了现有的NeRF和GAN基线方法。
📝 摘要（中文）
从单幅全景影像（PXR）生成3D牙科体积可以提供低辐射的锥束计算机断层扫描（CBCT）替代方案，但该问题高度欠定。现有隐式和生成方法常常产生过于平滑的几何形状或解剖不一致的幻觉，缺乏几何驱动的监督。本文提出了X-Splat，这是第一个用于从单幅PXR生成CBCT样式3D牙科体积的高斯溅射框架。X-Splat利用已知的全景采集几何作为生成支架，通过Beer-Lambert重投影和多视角放射训练监督进行约束。实验结果表明，X-Splat在恢复个别牙齿、皮质边界和牙槽结构方面优于NeRF和GAN基线方法。
🔬 方法详解
问题定义：论文旨在解决从单幅全景影像生成3D牙科体积的问题。现有方法由于缺乏几何驱动的监督，常常导致生成的几何形状过于平滑或解剖结构不一致，无法准确重建牙科结构。
核心思路：X-Splat框架的核心思路是利用高斯溅射技术，沿着形成输入影像的X射线路径初始化可学习的各向异性高斯原语，并在单次前向传播中进行调整。通过结合Beer-Lambert重投影和多视角放射训练监督，确保生成的3D体积在几何上是合理的。
技术框架：整体架构包括高斯原语的初始化、前向传播调整和轻量级残差细化器。高斯原语根据输入影像的几何信息进行设置，残差细化器则引入数据集级的解剖先验信息。
关键创新：X-Splat的主要创新在于首次将高斯溅射应用于单幅全景影像生成3D牙科体积，利用几何约束和多视角监督有效解决了现有方法的不足。
关键设计：在设计中，使用了Beer-Lambert法则进行重投影约束，损失函数结合了几何一致性和解剖先验，确保生成的3D体积在解剖上合理且准确。
🖼️ 关键图片
📊 实验亮点
实验结果显示，X-Splat在重建个别牙齿、皮质边界和牙槽结构方面表现优异，相较于NeRF和GAN基线方法，性能提升显著，尤其在重建复杂结构如下颌管时，X-Splat展现了明显的优势。
🎯 应用场景
该研究的潜在应用领域包括牙科影像学、口腔医学和相关的医疗成像技术。通过提供低辐射的3D重建方案，X-Splat有望在临床实践中替代传统的CBCT，降低患者的辐射暴露，同时提高影像质量和解剖结构的可视化效果。
📄 摘要（原文）
Generating a 3D dental volume from a single panoramic radiograph (PXR) could provide a low-radiation alternative to Cone-Beam Computed Tomography (CBCT), but the problem is highly underdetermined: panoramic acquisition integrates 3D attenuation along curved X-ray paths into a 2D image, leaving depth-resolved anatomy unobserved. Existing implicit and generative approaches often produce oversmoothed geometry or anatomically inconsistent hallucinations, lacking geometry-driven supervision and relying on smooth representations unable to precisely localize sharp anatomical boundaries. We propose X-Splat, the first Gaussian Splatting framework for generating CBCT-like 3D dental volumes from a single PXR. X-Splat uses the known panoramic acquisition geometry as a generation scaffold: learnable anisotropic Gaussian primitives are initialized along the X-ray paths that formed the input image and adjusted in a single feed-forward pass, constrained by Beer-Lambert reprojection and multi-view radiographic training supervision. A lightweight residual refiner adds dataset-level anatomical priors without overriding the geometry already resolved by the Gaussians. We train on synthetic PXR-CBCT pairs, enabling direct volumetric supervision without paired real scans. We further introduce segmentation-based geometry-aware metrics, providing the first evaluation of PXR-based generation over maxillofacial anatomy. X-Splat outperforms NeRF- and GAN-based baselines, recovering individual teeth, cortical boundaries, and alveolar structure, including the mandibular canal which prior methods fail to reconstruct. Code will be available atthis https URL