論文の概要: Survey2Survey: A deep learning generative model approach for
cross-survey image mapping
- arxiv url: http://arxiv.org/abs/2011.07124v3
- Date: Fri, 5 Feb 2021 18:06:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 00:54:53.367651
- Title: Survey2Survey: A deep learning generative model approach for
cross-survey image mapping
- Title（参考訳）: survey2survey: クロスサーベイ画像マッピングのためのディープラーニング生成モデルアプローチ
- Authors: Brandon Buncher, Awshesh Nath Sharma, Matias Carrasco Kind
- Abstract要約: 本稿では,クロスサーベイ特徴翻訳による調査データの拡大と改善のための新しい手法を提案する。
我々は,Sloan Digital Sky Survey (SDSS) の画像をダークエネルギーサーベイ (DES) の対応する画像にマッピングするために,2種類のニューラルネットワークを訓練した。
この地図はSDSS画像の偽DES表現を生成するために用いられ、重要な形態情報を保持しながら明るさとS/Nを増加させた。
- 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: During the last decade, there has been an explosive growth in survey data and
deep learning techniques, both of which have enabled great advances for
astronomy. The amount of data from various surveys from multiple epochs with a
wide range of wavelengths, albeit with varying brightness and quality, is
overwhelming, and leveraging information from overlapping observations from
different surveys has limitless potential in understanding galaxy formation and
evolution. Synthetic galaxy image generation using physical models has been an
important tool for survey data analysis, while deep learning generative models
show great promise. In this paper, we present a novel approach for robustly
expanding and improving survey data through cross survey feature translation.
We trained two types of neural networks to map images from the Sloan Digital
Sky Survey (SDSS) to corresponding images from the Dark Energy Survey (DES).
This map was used to generate false DES representations of SDSS images,
increasing the brightness and S/N while retaining important morphological
information. We substantiate the robustness of our method by generating DES
representations of SDSS images from outside the overlapping region, showing
that the brightness and quality are improved even when the source images are of
lower quality than the training images. Finally, we highlight several images in
which the reconstruction process appears to have removed large artifacts from
SDSS images. While only an initial application, our method shows promise as a
method for robustly expanding and improving the quality of optical survey data
and provides a potential avenue for cross-band reconstruction.
- Abstract（参考訳）: 過去10年間で、調査データとディープラーニング技術が爆発的に成長し、どちらも天文学に大きな進歩をもたらした。
広範囲の波長を持つ複数のエポックからの様々な調査のデータ量は、明るさと品質が異なるにもかかわらず圧倒的であり、異なる調査から重なる観測からの情報を活用することは、銀河の形成と進化を理解するのに無限の可能性を持っている。
物理モデルを用いた合成銀河画像生成は、調査データ解析の重要なツールであり、ディープラーニング生成モデルには大きな期待が持たれている。
本稿では,クロスサーベイ特徴翻訳による調査データを堅牢に拡張・改善するための新しいアプローチを提案する。
我々は,Sloan Digital Sky Survey (SDSS) の画像をダークエネルギーサーベイ (DES) の対応する画像にマッピングするために,2種類のニューラルネットワークを訓練した。
この地図はSDSS画像の偽DES表現を生成し、重要な形態情報を保持しながら明るさとS/Nを増加させた。
重ね合わせ領域の外部からsdss画像のdes表現を生成し,光源画像がトレーニング画像より品質が低い場合でも輝度と品質が向上することを示すことにより,本手法のロバスト性を示す。
最後に,SDSS画像から大規模なアーティファクトを除去したように見える画像をいくつか強調する。
本手法は初期適用のみであるが,光学サーベイデータの品質向上のためのロバストな拡張手法としてpromiseを示し,クロスバンド再構成のための潜在的な道筋を提供する。
関連論文リスト
- Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。
従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。
MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文 参考訳（メタデータ） (2024-11-26T02:23:31Z) - GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。
公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。
我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文 参考訳（メタデータ） (2024-02-03T03:13:50Z) - Learned representation-guided diffusion models for large-image generation [58.192263311786824]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。
我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。
実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文 参考訳（メタデータ） (2023-12-12T14:45:45Z) - NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。
提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
論文 参考訳（メタデータ） (2023-12-07T19:30:55Z) - Image Restoration with Point Spread Function Regularization and Active
Learning [5.575847437953924]
大規模な天文学的な調査では、銀河や星雲を含む多数の天体の画像を捉えることができる。
様々なノイズレベルと点拡散関数は、これらの画像から情報抽出の精度と効率を損なう。
深層学習に基づく復元アルゴリズムと高忠実度望遠鏡シミュレータを接続する新しい画像復元アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-31T23:16:26Z) - X-Transfer: A Transfer Learning-Based Framework for GAN-Generated Fake
Image Detection [33.31312811230408]
顔置換などの偽画像を生成するためにGANを誤用することは、重大なセキュリティ上の懸念を引き起こす。
本稿では,新しい画像検出アルゴリズムであるX-Transferを提案する。
インターリーブされた並列勾配伝送を利用する2つのニューラルネットワークを利用することで、トランスファーラーニングを強化する。
論文 参考訳（メタデータ） (2023-10-07T01:23:49Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - A Deep Generative Approach to Oversampling in Ptychography [9.658250977094562]
ptychographyの大きな欠点は、長いデータ取得時間である。
本稿では, 深層生成ネットワークから抽出したデータを用いて, わずかに取得したデータやアンダーサンプルデータを補完する手法を提案する。
深層生成ネットワークを事前学習し、データ収集時に出力を計算できるので、実験データとデータ取得時間を削減することができる。
論文 参考訳（メタデータ） (2022-07-28T22:02:01Z) - Deep Quantized Representation for Enhanced Reconstruction [33.337794852677035]
本研究では,シロイヌナズナのShoot Apical Meristem(SAM)における高品質画像再構成のためのデータ駆動型Deep Quantized Latent Representation(DQLR)手法を提案する。
提案フレームワークは,zスタック内の複数の連続スライスを用いて低次元の潜伏空間を学習し,それを量子化し,次いで量子化表現を用いて再構成し,よりシャープな画像を得る。
論文 参考訳（メタデータ） (2021-07-29T23:22:27Z) - Deep Learning Methods For Synthetic Aperture Radar Image Despeckling: An
Overview Of Trends And Perspectives [45.87348004985991]
このようなノイズを除去し、下流の画像処理タスクの精度を向上させるために、デスペクリングは重要なタスクである。
本稿では,sarデスペックリングに適用する深層学習手法に関する文献を調査し,教師ありアプローチと近年の自己教師ありアプローチの両方をカバーする。
論文 参考訳（メタデータ） (2020-12-10T08:30:43Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。