arXiv 2026年9月24日该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。零样本CT超分辨率新框架：用X光扩散先验生成2D投影、再用带负密度的3D高斯学习符号残差，在UHRCT与MELA上取得优于CuNeRF的PSNR/SSIM该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。该工作提出一个零样本3D CT超分辨率框架：先在大量2D X光数据上训练扩散模型，并用DDNM/DDNM+把低分辨率CT投影上采样为高分辨率投影先验，再用新提出的Negative Alpha Blending高斯泼溅（NAB-GS）以正负密度高斯学习扩散生成HR投影与上采样LR投影之间的符号残差，从而重建HR体积；在UHRCT与MELA两个公开数据集上，其PSNR与SSIM优于三线性、三次插值、NeRF、CuNeRF等零样本方法，与监督方法ArSSR相比具有竞争力，单体积约15分钟完成，两位领域专家的评估认为4×结果具备临床潜力而8×仍需改进。