論文の概要: Learning Geometry-Dependent and Physics-Based Inverse Image
Reconstruction
- arxiv url: http://arxiv.org/abs/2007.09522v1
- Date: Sat, 18 Jul 2020 21:53:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 06:08:54.355721
- Title: Learning Geometry-Dependent and Physics-Based Inverse Image
Reconstruction
- Title(参考訳): 学習幾何依存と物理に基づく逆画像再構成
- Authors: Xiajun Jiang, Sandesh Ghimire, Jwala Dhamala, Zhiyuan Li, Prashnna
Kumar Gyawali, and Linwei Wang
- Abstract要約: 本稿では,その基盤となる幾何学と物理を活かした逆画像の学習手法を提案する。
まず,未知変数と計測変数を記述可能な非ユークリッド符号化復号ネットワークを提案する。
次に、2つの領域間の幾何依存物理学を2部グラフで明示的にモデル化することで学習する。
- 参考スコア(独自算出の注目度): 9.565653662306806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks have shown great potential in image reconstruction
problems in Euclidean space. However, many reconstruction problems involve
imaging physics that are dependent on the underlying non-Euclidean geometry. In
this paper, we present a new approach to learn inverse imaging that exploit the
underlying geometry and physics. We first introduce a non-Euclidean
encoding-decoding network that allows us to describe the unknown and
measurement variables over their respective geometrical domains. We then learn
the geometry-dependent physics in between the two domains by explicitly
modeling it via a bipartite graph over the graphical embedding of the two
geometry. We applied the presented network to reconstructing electrical
activity on the heart surface from body-surface potential. In a series of
generalization tasks with increasing difficulty, we demonstrated the improved
ability of the presented network to generalize across geometrical changes
underlying the data in comparison to its Euclidean alternatives.
- Abstract(参考訳): 深部ニューラルネットワークはユークリッド空間における画像再構成問題に大きな可能性を示している。
しかし、多くの再構成問題は、基礎となる非ユークリッド幾何学に依存する画像物理学を含む。
本稿では,その基盤となる幾何学と物理を活かした逆画像の学習手法を提案する。
まず,各幾何学領域上の未知および測定変数を記述できる非ユークリッド符号化復号ネットワークについて紹介する。
次に、2つの領域間の幾何学依存物理学を、2つの幾何学のグラフィカル埋め込み上の二部グラフを通して明示的にモデル化する。
生体電位から心臓表面の電気的活動の再構成に本ネットワークを適用した。
難易度が増大する一連の一般化タスクにおいて,提案するネットワークはユークリッドの代替手法と比較して,データに基づく幾何学的変化を一般化する能力の向上を実証した。
関連論文リスト
- A Survey of Geometric Graph Neural Networks: Data Structures, Models and
Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。
幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳(メタデータ) (2024-03-01T12:13:04Z) - Adaptive Surface Normal Constraint for Geometric Estimation from
Monocular Images [59.00008891108098]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳(メタデータ) (2024-02-08T17:57:59Z) - DeepBranchTracer: A Generally-Applicable Approach to Curvilinear
Structure Reconstruction Using Multi-Feature Learning [12.047523258256088]
本稿では,外部画像の特徴と内部幾何学的特徴の両方を学習し,曲線構造を再構築するDeepBranchTracerを紹介する。
既存のセグメンテーション法や再構成法よりも優れた性能を示すため,2次元データセットと3次元データセットの両方でモデルを広範囲に評価した。
論文 参考訳(メタデータ) (2024-02-02T07:13:07Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳(メタデータ) (2023-12-12T18:44:19Z) - Riemannian Residual Neural Networks [58.925132597945634]
残余ニューラルネットワーク(ResNet)の拡張方法を示す。
ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
論文 参考訳(メタデータ) (2023-10-16T02:12:32Z) - Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。
提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。
実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2023-04-08T06:35:25Z) - Topology optimization with physics-informed neural networks: application
to noninvasive detection of hidden geometries [0.40611352512781856]
本稿では,隠れた幾何学構造を検出するためのPINNに基づくトポロジ最適化フレームワークを提案する。
非線形弾性体および非線形弾性体における隠れヴォイドおよび包有物の数,位置,形状を検出することにより,我々の枠組みを検証した。
論文 参考訳(メタデータ) (2023-03-13T12:44:32Z) - Geoclidean: Few-Shot Generalization in Euclidean Geometry [36.203651858533]
ユークリッド幾何学は数学的思考の最も初期の形態の一つである。
自然画像で訓練されたコンピュータビジョンモデルはユークリッド幾何学と同じ感度を示すのだろうか?
ユークリッド幾何学のためのドメイン固有言語であるGeoclideanを紹介する。
論文 参考訳(メタデータ) (2022-11-30T01:17:22Z) - Deep Geometric Texture Synthesis [83.9404865744028]
幾何学的テクスチャを合成するための新しい枠組みを提案する。
単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。
我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
論文 参考訳(メタデータ) (2020-06-30T19:36:38Z)
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。