論文の概要: Gaussian Process for Tomography

• arxiv url: http://arxiv.org/abs/2103.15864v1
• Date: Mon, 29 Mar 2021 18:16:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:43:29.730484
• Title: Gaussian Process for Tomography
• Title（参考訳）: ガウストモグラフィのプロセス
• Authors: Agnimitra Dasgupta and Carlo Graziani and Zichao Wendy Di
• Abstract要約: トモグラフィーの再構成は、限られた騒音測定のため、ユニークな解が存在しないという不適切な性質に悩まされている。 伝統的な再構築は、ソリューションの品質をこれ以上示さずに、再構築のためのポイント推定を出力します。 本研究ではガウス過程(GP)を探索することでこれらの課題に対処する。
• 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: Tomographic reconstruction, despite its revolutionary impact on a wide range of applications, suffers from its ill-posed nature in that there is no unique solution because of limited and noisy measurements. Traditional optimization-based reconstruction relies on regularization to address this issue; however, it faces its own challenge because the type of regularizer and choice of regularization parameter are a critical but difficult decision. Moreover, traditional reconstruction yields point estimates for the reconstruction with no further indication of the quality of the solution. In this work we address these challenges by exploring Gaussian processes (GPs). Our proposed GP approach yields not only the reconstructed object through the posterior mean but also a quantification of the solution uncertainties through the posterior covariance. Furthermore, we explore the flexibility of the GP framework to provide a robust model of the information across various length scales in the object, as well as the complex noise in the measurements. We illustrate the proposed approach on both synthetic and real tomography images and show its unique capability of uncertainty quantification in the presence of various types of noise, as well as reconstruction comparison with existing methods.
• Abstract（参考訳）: トモグラフィーの再構成は、広範囲の応用に革命的な影響があるにもかかわらず、限られた騒音測定のためにユニークな解が存在しないという、その不適切な性質に悩まされている。 従来の最適化に基づく再構成は、この問題に対処するために正規化に依存するが、正則化のタイプと正規化パラメータの選択は重要だが難しい決定であるため、独自の課題に直面している。 さらに, 従来の復元法では, 解決策の品質をこれ以上示さずに, 復元のポイント推定を行うことができる。 本研究では、ガウス過程(GP)を探索することでこれらの課題に対処する。 提案するgpアプローチは, 後方平均による再構成対象だけでなく, 後方共分散による解の不確かさの定量化も行う。 さらに、GPフレームワークの柔軟性について検討し、オブジェクト内の様々な長さスケールにわたる情報の堅牢なモデルと、測定における複雑なノイズについて考察する。 提案手法を合成トモグラフィ画像と実画像画像の両方に適用し,様々な雑音の存在下での不確実性定量化の特異性を示し,既存手法との比較を行った。

関連論文リスト

• Equivariant Bootstrapping for Uncertainty Quantification in Imaging Inverse Problems [0.24475591916185502]
  パラメトリックブートストラップアルゴリズムの等価な定式化に基づく新しい不確実性定量化手法を提案する。 提案手法は汎用的であり,任意の画像再構成手法で容易に適用可能である。 提案手法を数値実験および代替不確実性定量化戦略との比較により実証する。
  論文  参考訳（メタデータ） (2023-10-18T09:43:15Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
  我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。 本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。 セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Representing Noisy Image Without Denoising [91.73819173191076]
  ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。 従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
  論文  参考訳（メタデータ） (2023-01-18T10:13:29Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• A Variational Inference Approach to Inverse Problems with Gamma Hyperpriors [60.489902135153415]
  本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。 提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
  論文  参考訳（メタデータ） (2021-11-26T06:33:29Z)
• Uncertainty quantification for ptychography using normalizing flows [0.0]
  Ptychographyは、大規模な非線形および非次元逆問題を示す。 その固有の写真統計は、これらの課題に取り組むための統計に基づくディープラーニングアプローチの明確な機会を生み出します。 本研究では,再建に伴う不確実性のキャラクタリゼーションを実現するため,高次元後部サロゲートを得るための流れを探索する。
  論文  参考訳（メタデータ） (2021-11-01T07:46:22Z)
• Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
  本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。 本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
  論文  参考訳（メタデータ） (2020-11-17T04:12:52Z)
• Denoising Score-Matching for Uncertainty Quantification in Inverse Problems [1.521936393554569]
  本稿では、逆問題を解決するための一般的なベイズフレームワークを提案する。このフレームワークでは、信号の事前分布を学習するためのディープニューラルネットワークの使用を制限する。 この枠組みを磁気共鳴画像再構成(MRI)に適用し、再構成された画像の特定の特徴の不確実性を評価するために、この手法がどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-11-16T18:33:06Z)
• Solving Inverse Problems with a Flow-based Noise Model [100.18560761392692]
  本研究では,従来の正規化フローを用いた画像逆問題について検討する。 我々の定式化は、この解を測定値に条件付けされた画像の最大後値推定とみなす。 提案手法の様々な逆問題に対する有効性について実験的に検証した。
  論文  参考訳（メタデータ） (2020-03-18T08:33:49Z)
• Low-Rank and Total Variation Regularization and Its Application to Image Recovery [6.288398111817322]
  本稿では、各反復における(重み付けされた)値しきい値を用いた緩和問題を解くための効率的な反復スキームを提案する。 提案アルゴリズムは,画像の復元において,最先端の手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-03-12T10:37:49Z)

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。