論文の概要: Learning to do multiframe wavefront sensing unsupervisedly: applications
to blind deconvolution
- arxiv url: http://arxiv.org/abs/2006.01438v2
- Date: Sun, 20 Dec 2020 11:33:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 00:56:00.653435
- Title: Learning to do multiframe wavefront sensing unsupervisedly: applications
to blind deconvolution
- Title(参考訳): 教師なしマルチフレーム波面センシングの学習:ブラインドデコンボリューションへの応用
- Authors: A. Asensio Ramos (IAC, ULL), N. Olspert (MPS)
- Abstract要約: 視覚障害者の深層学習システムのための教師なし学習手法を提案する。
点状や拡張対象の補正にも応用できる。
ネットワークモデルは、標準的なデコンボリューションよりも約3桁高速である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Observations from ground based telescopes are affected by the presence of the
Earth atmosphere, which severely perturbs them. The use of adaptive optics
techniques has allowed us to partly beat this limitation. However, image
selection or post-facto image reconstruction methods applied to bursts of
short-exposure images are routinely needed to reach the diffraction limit. Deep
learning has been recently proposed as an efficient way to accelerate these
image reconstructions. Currently, these deep neural networks are trained with
supervision, so that either standard deconvolution algorithms need to be
applied a-priori or complex simulations of the solar magneto-convection need to
be carried out to generate the training sets. Our aim here is to propose a
general unsupervised training scheme that allows multiframe blind deconvolution
deep learning systems to be trained simply with observations. The approach can
be applied for the correction of point-like as well as extended objects.
Leveraging the linear image formation theory and a probabilistic approach to
the blind deconvolution problem produces a physically-motivated loss function.
The optimization of this loss function allows an end-to-end training of a
machine learning model composed of three neural networks. As examples, we apply
this procedure to the deconvolution of stellar data from the FastCam instrument
and to solar extended data from the Swedish Solar Telescope. The analysis
demonstrates that the proposed neural model can be successfully trained without
supervision using observations only. It provides estimations of the
instantaneous wavefronts, from which a corrected image can be found using
standard deconvolution technniques. The network model is roughly three orders
of magnitude faster than applying standard deconvolution based on optimization
and shows potential to be used on real-time at the telescope.
- Abstract(参考訳): 地上の望遠鏡からの観測は、地球大気の存在によって影響を受け、それらがひどく乱れてしまう。
適応光学技術を用いることで、この制限を部分的に打ち負かすことができる。
しかし, 回折限界に達するには, 短い露光画像のバーストに適用した画像選択法やポストファクト画像再構成法が必要となる。
近年,画像再構成の高速化手法としてディープラーニングが提案されている。
現在、これらの深層ニューラルネットワークは、監視によって訓練されているため、標準的なデコンボリューションアルゴリズムを適用するか、トレーニングセットを生成するために太陽磁気対流の複雑なシミュレーションを行う必要がある。
本研究の目的は,マルチフレームブラインドデコンボリューション深層学習システムを単に観察によって訓練できる汎用的な教師なし学習方式を提案することである。
アプローチは、拡張対象と同様に点のような補正にも適用できる。
線形像形成理論とブラインドデコンボリューション問題に対する確率論的アプローチを活用すれば、身体的モチベーション損失関数が得られる。
この損失関数の最適化は、3つのニューラルネットワークからなる機械学習モデルのエンドツーエンドトレーニングを可能にする。
例として、この手順を、FastCam機器からの恒星データのデコンボリューションと、スウェーデンの太陽望遠鏡からの太陽拡張データに適用する。
解析の結果,提案するニューラルモデルは,観察のみを用いて監視することなく,効果的に訓練できることが示された。
これは、修正された画像を標準のデコンボリューション技術を用いて見つけることができる瞬時波面の推定を提供する。
ネットワークモデルは最適化に基づく標準デコンボリューションの適用よりも約3桁高速であり、望遠鏡でのリアルタイム使用の可能性を示している。
関連論文リスト
- Solar multi-object multi-frame blind deconvolution with a spatially variant convolution neural emulator [0.0]
本稿では,深層ニューラルネットワークを用いた空間変化畳み込みをエミュレートする新しい枠組みを提案する。
空間不変点拡散関数を伴う画像のデータセットをトレーニングすることにより、従来の手法よりも大幅に進歩することを示す。
論文 参考訳(メタデータ) (2024-05-16T07:42:39Z) - Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。
提案手法は, 監視対象の性能を超過する。
論文 参考訳(メタデータ) (2024-03-25T17:40:32Z) - Leveraging Classic Deconvolution and Feature Extraction in Zero-Shot
Image Restoration [0.4398130586098371]
非盲点デコンボリューションは、取得したカーネルによってぼやけた画像からシャープなイメージを復元することを目的としている。
本稿では、ディープラーニングと古典的反復的デコンボリューションアルゴリズムの力を生かした、新しい非盲検デコンボリューション法を提案する。
本手法は,非ブレンドデコンボリューションタスクの様々な実世界のアプリケーションにおいて,大幅な改善を示す。
論文 参考訳(メタデータ) (2023-10-03T14:41:30Z) - Self-Supervised Single-Image Deconvolution with Siamese Neural Networks [6.138671548064356]
画像再構成における逆問題は、未知のノイズ特性によって根本的に複雑である。
ディープラーニングの手法は、ノイズのフレキシブルなパラメトリゼーションを可能にし、データから直接その特性を学習する。
我々は3次元デコンボリューションタスクにおけるトレーニング速度アップを提供する高速フーリエ変換畳み込み問題に対処する。
論文 参考訳(メタデータ) (2023-08-18T09:51:11Z) - Accelerating Multiframe Blind Deconvolution via Deep Learning [0.0]
地上からの太陽画像の復元は計算に費用がかかる手続きである。
本稿では,アルゴリズムのアンロールに基づく復元を高速化する手法を提案する。
両手法が標準最適化法と比較して復元時間を大幅に短縮することを示した。
論文 参考訳(メタデータ) (2023-06-21T07:53:00Z) - Efficient data-driven gap filling of satellite image time series using
deep neural networks with partial convolutions [0.0]
本稿では,3次元部分畳み込みをニューラルネットワークの層として用いることで,衛星画像時系列のギャップを埋める方法について述べる。
このアプローチを評価するために、センチネル-5P衛星からの準球状一酸化炭素観測の不完全時系列にU-Netライクなモデルを適用する。
論文 参考訳(メタデータ) (2022-08-18T11:32:04Z) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳(メタデータ) (2021-12-31T11:56:01Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。
本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。
その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
論文 参考訳(メタデータ) (2020-06-04T08:59:17Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳(メタデータ) (2020-05-07T15:57:25Z)
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。