論文の概要: Using Data Imputation for Signal Separation in High Contrast Imaging
- arxiv url: http://arxiv.org/abs/2001.00563v3
- Date: Tue, 31 Mar 2020 17:37:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 04:40:15.258355
- Title: Using Data Imputation for Signal Separation in High Contrast Imaging
- Title（参考訳）: 高コントラストイメージングにおけるデータインプットを用いた信号分離
- Authors: Bin Ren, Laurent Pueyo, Christine Chen, \'Elodie Choquet, John H.
Debes, Gaspard Duch\^ene, Fran\c{c}ois M\'enard, Marshall D. Perrin
- Abstract要約: 恒星周囲の信号は、過度な適合や自己減算によって必然的に変更される。
逐次非負行列分解(DI-sNMF)を用いたデータ計算を用いたフォワードモデリング自由解を提案する。
計算領域が比較的小さいとき,周囲の信号に無視できる変化があることを数学的に証明する。
- 参考スコア（独自算出の注目度）: 6.024602799136753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To characterize circumstellar systems in high contrast imaging, the
fundamental step is to construct a best point spread function (PSF) template
for the non-circumstellar signals (i.e., star light and speckles) and separate
it from the observation. With existing PSF construction methods, the
circumstellar signals (e.g., planets, circumstellar disks) are unavoidably
altered by over-fitting and/or self-subtraction, making forward modeling a
necessity to recover these signals. We present a forward modeling--free
solution to these problems with data imputation using sequential non-negative
matrix factorization (DI-sNMF). DI-sNMF first converts this signal separation
problem to a "missing data" problem in statistics by flagging the regions which
host circumstellar signals as missing data, then attributes PSF signals to
these regions. We mathematically prove it to have negligible alteration to
circumstellar signals when the imputation region is relatively small, which
thus enables precise measurement for these circumstellar objects. We apply it
to simulated point source and circumstellar disk observations to demonstrate
its proper recovery of them. We apply it to Gemini Planet Imager (GPI) K1-band
observations of the debris disk surrounding HR 4796A, finding a tentative trend
that the dust is more forward scattering as the wavelength increases. We expect
DI-sNMF to be applicable to other general scenarios where the separation of
signals is needed.
- Abstract（参考訳）: 高コントラストイメージングで恒星系を特徴づけるために、基本的なステップは、非恒星信号(すなわち、恒星光とスペックル)のための最良の点拡散関数(PSF)を構築し、観測から分離することである。
既存のpsf構築法では、星周信号(例えば惑星や星周円盤)は過剰フィッティングや自己減算によって避けられない変更が行われ、これらの信号の復元には前方モデリングが必要となる。
逐次的非負行列分解(DI-sNMF)を用いたデータ計算問題に対する前方モデリング自由解を提案する。
di-snmfは、まずこの信号分離問題を、周辺信号をホストする領域を欠損データとしてフラグ付けし、統計学において「ミスデータ」問題に変換し、その後psf信号をこれらの領域に分類する。
計算領域が比較的小さい場合には、周囲の信号に無視できる変化があることを数学的に証明し、これらの天体の正確な測定を可能にする。
シミュレーションされた点源と星周円盤観測に応用し、それらの適切な回復を示す。
我々は、HR 4796Aを取り巻くデブリ円盤のGemini Planet Imager (GPI) K1バンド観測に適用し、波長が増加するにつれて塵がより前方散乱しているという仮の傾向を見出した。
di-snmfは信号の分離が必要な他の一般的なシナリオにも適用できると期待する。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Signal-Plus-Noise Decomposition of Nonlinear Spiked Random Matrix Models [28.005935031887038]
本研究では,非線形関数を次数1の雑音行列に応用した非線形スパイクランダム行列モデルについて検討する。
我々は,このモデルに対して信号+雑音分解を行い,信号成分の構造の正確な位相遷移を信号強度の臨界しきい値で同定する。
論文 参考訳（メタデータ） (2024-05-28T15:24:35Z) - Gradient Descent Provably Solves Nonlinear Tomographic Reconstruction [60.95625458395291]
計算トモグラフィー(CT)では、フォワードモデルは線形変換と、ベル=ランベルト法則に従って光の減衰に基づく指数非線形性によって構成される。
金属クラウンを用いた人間の頭蓋骨の商業的再構築と比較すると,このアプローチは金属人工物を減らすことが示されている。
論文 参考訳（メタデータ） (2023-10-06T00:47:57Z) - Neural Spherical Harmonics for structurally coherent continuous
representation of diffusion MRI signal [0.3277163122167433]
本稿では,ヒト脳の構造的コヒーレンスから恩恵を受ける拡散磁気共鳴画像(dMRI)データセットをモデル化する方法を提案する。
現在の方法では、個々のボクセルのdMRI信号をモデル化し、現在存在するボクセルのコヒーレンスを無視している。
我々は、ニューラルネットワークを用いて、Human Connectome Projectデータセットから1つの対象のdMRI信号を表現するために、球面調和系列をパラメータ化する。
論文 参考訳（メタデータ） (2023-08-16T08:28:01Z) - Restoring Original Signal From Pile-up Signal using Deep Learning [0.0]
パイルアップ信号は実験物理学でしばしば生成される。
彼らは不正確な物理データを高い不確実性で生成する。
本研究では,蓄積信号から元の信号を復元する深層学習手法を実装した。
論文 参考訳（メタデータ） (2023-04-24T08:42:17Z) - Shuffled Multi-Channel Sparse Signal Recovery [16.333381000882486]
サンプルと各チャネル間の通信が途絶えた信号再構成問題として機能する。
この問題は構造化されたラベルなしセンシング問題と等価であることを示し、ユニークなリカバリのための十分な条件を確立する。
本稿では,スパース信号の回復と2チャネルの場合の線形回帰を結合した頑健な再構成手法を提案する。
論文 参考訳（メタデータ） (2022-12-14T17:46:17Z) - Dimensionality-Varying Diffusion Process [52.52681373641533]
拡散モデルは、信号破壊プロセスを逆転して新しいデータを生成することを学習する。
信号分解による前方拡散過程の理論的一般化を行う。
FFHQで訓練された拡散モデルのFIDを,52.40から10.46までの1024Times1024$解像度で改善する。
論文 参考訳（メタデータ） (2022-11-29T09:05:55Z) - Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes
problem [78.20667552233989]
我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。
本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
論文 参考訳（メタデータ） (2022-07-04T14:51:59Z) - Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth
Mover's Distance [63.203951161394265]
現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。
本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。
いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
論文 参考訳（メタデータ） (2021-07-26T17:19:02Z) - Analytic Signal Phase in $N-D$ by Linear Symmetry Tensor--fingerprint
modeling [69.35569554213679]
解析信号位相とその勾配は2-D$以上の不連続性を持つことを示す。
この欠点は深刻なアーティファクトをもたらす可能性があるが、問題は1-D $シグナルには存在しない。
本稿では,複数のGaborフィルタに頼って線形シンメトリー位相を用いることを提案する。
論文 参考訳（メタデータ） (2020-05-16T21:17:26Z) - Theory inspired deep network for instantaneous-frequency extraction and
signal components recovery from discrete blind-source data [1.6758573326215689]
本稿では、未知の信号成分を回収する逆問題と周波数の抽出について考察する。
既存の分解法やアルゴリズムでは、この逆問題を解くことはできない。
本稿では、ブラインドソース信号の非一様サンプリングが可能な離散サンプルセットを直接ベースとしたディープニューラルネットワークの合成を提案する。
論文 参考訳（メタデータ） (2020-01-31T18:54:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。