論文の概要: Learning the geometry of wave-based imaging

• arxiv url: http://arxiv.org/abs/2006.05854v3
• Date: Tue, 10 Nov 2020 06:34:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 06:27:00.145980
• Title: Learning the geometry of wave-based imaging
• Title（参考訳）: 波動画像の幾何学的学習
• Authors: Konik Kothari, Maarten de Hoop, Ivan Dokmani\'c
• Abstract要約: 本研究では、フーリエ積分演算子(FIO)にインスパイアされた解釈可能なニューラルネットワークを構築し、波動物理を近似する。 本研究では,データに暗黙的なFIOによって捕捉された波動伝播の幾何学的形状を,最適輸送に基づく損失によって学習することに集中する。 提案したFIONetは、多くの画像逆問題、特にアウト・オブ・ディストリビューションテストにおいて、通常のベースラインよりもはるかに優れている。
• 参考スコア（独自算出の注目度）: 24.531973107529584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a general physics-based deep learning architecture for wave-based imaging problems. A key difficulty in imaging problems with a varying background wave speed is that the medium "bends" the waves differently depending on their position and direction. This space-bending geometry makes the equivariance to translations of convolutional networks an undesired inductive bias. We build an interpretable neural architecture inspired by Fourier integral operators (FIOs) which approximate the wave physics. FIOs model a wide range of imaging modalities, from seismology and radar to Doppler and ultrasound. We focus on learning the geometry of wave propagation captured by FIOs, which is implicit in the data, via a loss based on optimal transport. The proposed FIONet performs significantly better than the usual baselines on a number of imaging inverse problems, especially in out-of-distribution tests.
• Abstract（参考訳）: 本稿では,波動画像問題に対する一般物理に基づくディープラーニングアーキテクチャを提案する。 背景波速度の異なる撮像問題の鍵となる問題は、媒質がその位置や方向によって異なる波を「束ねる」ことである。 この空間分割幾何により、畳み込みネットワークの変換に対する同値性は望ましくない帰納的バイアスとなる。 我々は、フーリエ積分作用素(fios)に触発された解釈可能なニューラルネットワークを構築し、波動物理学を近似する。 FIOは地震学やレーダーからドップラーや超音波まで幅広い画像モダリティをモデル化している。 我々は,データに暗黙的なfiosが捉えた波動伝搬の幾何構造を,最適輸送に基づく損失を通して学習することに焦点を当てる。 提案するフィオネットは,多くの画像逆問題,特に分布外テストにおいて,通常のベースラインよりも著しく優れた性能を示す。

関連論文リスト

• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• RFTrans: Leveraging Refractive Flow of Transparent Objects for Surface Normal Estimation and Manipulation [50.10282876199739]
  本稿では、透明物体の表面正規化と操作のためのRGB-Dに基づくRFTransを提案する。 RFNetは屈折流、物体マスク、境界を予測し、次いでF2Netは屈折流から表面の正常を推定する。 現実のロボットがタスクをつかむと、成功率は83%となり、屈折流が直接シミュレートから現実への移動を可能にすることが証明される。
  論文  参考訳（メタデータ） (2023-11-21T07:19:47Z)
• Exploring Invariance in Images through One-way Wave Equations [96.90549064390608]
  本稿では,画像画像上の不等式が一方向の波動方程式と潜時速度の組を共有していることを実証的に明らかにする。 本稿では,各画像が対応する初期条件に符号化される直感的なエンコーダ・デコーダ・フレームワークを用いて実演する。
  論文  参考訳（メタデータ） (2023-10-19T17:59:37Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Variational waveguide QED simulators [58.720142291102135]
  導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。 ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
  論文  参考訳（メタデータ） (2023-02-03T18:55:08Z)
• A physically-informed Deep-Learning approach for locating sources in a waveguide [0.688204255655161]
  逆ソース問題は、音響学、地球物理学、非破壊試験などにおける多くの応用の中心である。 従来の撮像法は分解能限界に悩まされており、放射波長以下で分離された光源の区別を防いでいる。 本稿では,物理インフォームドニューラルネットワークを用いた音源再焦点問題の解法を提案する。
  論文  参考訳（メタデータ） (2022-08-07T19:54:10Z)
• Single Plane-Wave Imaging using Physics-Based Deep Learning [2.1410799064827226]
  平面波イメージングでは、異なる角度から複数の非焦点超音波が媒介される。 超音波イメージングを改善するための深層学習法が提案されている。 本稿では、深部畳み込みニューラルネットワークにおける波動物理に基づく画像形成アルゴリズムを組み込んだデータ・ツー・イメージアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-08T14:06:29Z)
• Fourier Neural Operator Networks: A Fast and General Solver for the Photoacoustic Wave Equation [1.7205106391379026]
  同質媒質における2次元光音響波動方程式の解法として,高速なデータ駆動深層学習法を適用した。 我々はFNOネットワークが小さな誤差で同等のシミュレーションを発生し、桁違いに高速であったことを示す。
  論文  参考訳（メタデータ） (2021-08-20T21:09:53Z)
• WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
  WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。 WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。 低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
  論文  参考訳（メタデータ） (2021-07-23T04:44:40Z)
• Prediction of Ultrasonic Guided Wave Propagation in Solid-fluid and their Interface under Uncertainty using Machine Learning [0.0]
  我々は,構造物の材料および幾何学的特性の不確かさを考慮し,既存研究を推し進める。 本研究では,不確実性の下での多物理問題の解法に固有の複雑性に対処する効率的なアルゴリズムを開発する。 提案手法は不確実性が存在する場合にWpFSI問題を正確に予測する。
  論文  参考訳（メタデータ） (2021-03-30T01:05:14Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。