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

• GeoX: Geometric Problem Solving Through Unified Formalized Vision-Language Pre-training [45.42400674977197]
  GeoXは幾何学的理解と推論タスクに焦点を当てたマルチモーダルな大規模モデルである。 図形エンコーダとシンボルデコーダを開発するために,単調な事前学習を導入し,幾何学的画像やコーパスの理解を深める。 本研究では,識別クエリを生成し,不均一に分布した幾何学的信号から不定形表現を除去するジェネレータ・アンド・サンプラー変換器(GS-Former)を提案する。
  論文  参考訳（メタデータ） (2024-12-16T15:20:03Z)
• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Geometric Inductive Biases of Deep Networks: The Role of Data and Architecture [22.225213114532533]
  ニューラルネットワークをトレーニングする場合、入力空間の曲率はそのアーキテクチャによって決定される変換の下で不変である。 平均幾何が低ランクである場合(例えばResNetの場合)、幾何学は入力空間の部分集合にのみ変化する。
  論文  参考訳（メタデータ） (2024-10-15T19:46:09Z)
• 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 [56.86175251327466]
  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)
• 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)
• Detecting hidden structures from a static loading experiment: topology optimization meets physics-informed neural networks [0.1227734309612871]
  隠れた測地を識別するPINNに基づくトポロジ最適化フレームワークを提案する。 我々は,隠れた空洞と包含物の数,位置,形状を検出することによって,我々の枠組みを検証する。 本手法は,工学における幾何最適化問題を解くためのPINNの経路を開く。
  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)

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。