論文の概要: 3D Scattering Tomography by Deep Learning with Architecture Tailored to Cloud Fields

• arxiv url: http://arxiv.org/abs/2012.05960v1
• Date: Thu, 10 Dec 2020 20:31:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 06:29:55.739467
• Title: 3D Scattering Tomography by Deep Learning with Architecture Tailored to Cloud Fields
• Title（参考訳）: クラウド分野に適したアーキテクチャを用いたディープラーニングによる3次元散乱トモグラフィ
• Authors: Yael Sde-Chen, Yoav Y. Schechner, Vadim Holodovsky, Eshkol Eytan
• Abstract要約: 本論文では,マルチビュー画像から散乱体積を3次元再構成する計算トモグラフィ用ディープニューラルネットワークである3DeepCTを提案する。 また, 3DeepCTは, 計算時間の大幅な改善とともに, 物理に基づく逆散乱法よりも精度が高いことを示す。
• 参考スコア（独自算出の注目度）: 12.139158398361866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present 3DeepCT, a deep neural network for computed tomography, which performs 3D reconstruction of scattering volumes from multi-view images. Our architecture is dictated by the stationary nature of atmospheric cloud fields. The task of volumetric scattering tomography aims at recovering a volume from its 2D projections. This problem has been studied extensively, leading, to diverse inverse methods based on signal processing and physics models. However, such techniques are typically iterative, exhibiting high computational load and long convergence time. We show that 3DeepCT outperforms physics-based inverse scattering methods in term of accuracy as well as offering a significant orders of magnitude improvement in computational time. To further improve the recovery accuracy, we introduce a hybrid model that combines 3DeepCT and physics-based method. The resultant hybrid technique enjoys fast inference time and improved recovery performance.
• Abstract（参考訳）: 本研究では,マルチビュー画像からの散乱量の3次元再構成を行う,コンピュータ断層撮影用深層ニューラルネットワークである3deepctを提案する。 私たちのアーキテクチャは、大気の雲の静止した性質によって決定される。 体積散乱トモグラフィーの課題は、その2次元投影から体積を回復することである。 この問題は広範に研究され、信号処理と物理モデルに基づく様々な逆法が導かれた。 しかし、そのような手法は通常反復的であり、高い計算負荷と長い収束時間を示す。 また, 3DeepCTは, 計算時間の大幅な改善とともに, 物理に基づく逆散乱法よりも精度が高いことを示す。 本研究では3DeepCTと物理に基づく手法を組み合わせたハイブリッドモデルを提案する。 得られたハイブリッド技術は、高速な推論時間と回復性能の向上を享受する。

関連論文リスト

• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Simulator-Based Self-Supervision for Learned 3D Tomography Reconstruction [34.93595625809309]
  従来の機械学習アプローチでは、トレーニングのために別のアルゴリズムで計算された参照再構成が必要となる。 我々は、ノイズの多い2次元X線データのみを用いて、完全に自己教師された方法でモデルを訓練する。 以上の結果から,既存の再建技術よりも視覚的忠実度が高く,PSNRが優れていた。
  論文  参考訳（メタデータ） (2022-12-14T13:21:37Z)
• Solving 3D Inverse Problems using Pre-trained 2D Diffusion Models [33.343489006271255]
  拡散モデルは、高品質なサンプルを持つ新しい最先端の生成モデルとして登場した。 そこで本研究では, モデルに基づく2次元拡散を, 全次元にわたるコヒーレントな再構成を達成できるように, 実験時の残りの方向で先行する2次元拡散を拡大することを提案する。 提案手法は,1つのコモディティGPU上で動作可能であり,新しい最先端技術を確立する。
  論文  参考訳（メタデータ） (2022-11-19T10:32:21Z)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• Scatter Correction in X-ray CT by Physics-Inspired Deep Learning [26.549671705231145]
  X線CT(CT)の基本的な問題は、光子と画像オブジェクトの相互作用による散乱である。 散乱補正法は、ハードウェアベースとソフトウェアベースの2つのカテゴリに分類できる。 本研究では,PhILSCATとOV-PhILSCATの2種類の深層学習法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T22:51:20Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)
• Real-time 3D Nanoscale Coherent Imaging via Physics-aware Deep Learning [0.7664249650622356]
  深層畳み込みニューラルネットワークと微分プログラミングフレームワークである3D-CDI-NNを導入し,3次元構造とひずみを予測する。 私たちのネットワークは、複数の面で「物理認識」するように設計されています。 我々の統合機械学習および微分プログラミングソリューションは、他のアプリケーション領域における逆問題に広く適用できます。
  論文  参考訳（メタデータ） (2020-06-16T18:35:32Z)
• Deep learning with 4D spatio-temporal data representations for OCT-based force estimation [59.405210617831656]
  深層学習に基づく力推定の問題を,3D OCTボリュームのストリームを用いた4次元体積時間データに拡張する。 平均絶対誤差は10.7mNで, 4Dterm-temporalデータを用いた場合, 従来使用されていたデータ表現よりも優れていた。
  論文  参考訳（メタデータ） (2020-05-20T13:30:36Z)

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。