用于不完整 CT 重建的可微高斯表示

基于摘要分析。研究面向不完整 CT 重建，提出专为 CT 设计的 Discretized Gaussian Representation（DGR），以一组离散化高斯函数端到端地直接重建三维体积，并通过 Fast Volume Reconstruction 高效汇聚高斯函数对离散体积的贡献。 原论文的主要对象是 CT 三维体重建，而非神经信号解码。作者将方法定位于深度学习重建与受 NeRF、3D Gaussian Splatting（3DGS）启发的 CT 重建路线之间：前者可能需要大量数据且计算开销较高，后者的表示方式并不理想地适配直接三维体重建。DGR 的核心区别在于以 CT 体积为直接重建目标，而不是照搬 3DGS 表示；快速体重建模块则负责将高斯贡献聚合为离散体积。高斯参数化、可微计算路径、投影模型、损失函数及优化流程均尚未验证。 作者报告，在真实与合成数据集上的实验显示，该方法能够改善重建质量与计算效率。摘要未提供数据集名称、不完整观测的具体类型、数据划分、对照基线、评价指标或数值，因此目前无法判断改善幅度及适用边界；实验协议、消融及统计信息尚未验证。作者表示代码已供审稿使用，并计划在论文被接收后公开，这不代表代码当前已公开或论文已经接收。 该方法依赖 CT 的三维空间表示与成像重建问题，摘要没有建立其与 EEG/BCI 瓶颈的具体机制对应关系，因此不据此提出迁移效果判断或复现实验建议。