Neural fields for sparse-view 3D X-ray imaging: preliminary work
Résumé
X-ray Computed Tomography has been increasingly used in many industrial domains for its unique capability of controlling both the integrity and dimensional conformity of parts. Still, it fails to be adopted as a standard technique for on-line monitoring due to its excessive cost in terms of acquitision time. In this work we develop a hybrid methodology, which combines state of the art techniques to perform CT reconstruction from few views using deep learning on 3D cone-beam data.
La tomographie par rayons X est de plus en plus utilisée dans de nombreux domaines industriels pour sa capacité
unique a contrôler l’intégrité et la conformité dimensionnelle des pieces. Pourtant, elle ne parvient pas à être
adoptée comme technique standard de contrôle en ligne en raison de son cout excessif en temps d’acquisition. Dans ce travail, nous developpons une méthodologie hybride, qui combine differentes techniques d’apprentissage profond pour effectuer une reconstruction tomographique a partir de peu de vues sur des donnees 3D à faisceau conique.
Fichier principal
orasis_final_2.pdf (1.43 Mo)
Télécharger le fichier
poster_RomainVo.pdf (1.98 Mo)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|