論文の概要: Fast Computational Ghost Imaging using Unpaired Deep Learning and a Constrained Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2106.04822v1
• Date: Wed, 9 Jun 2021 05:50:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-10 14:59:58.382497
• Title: Fast Computational Ghost Imaging using Unpaired Deep Learning and a Constrained Generative Adversarial Network
• Title（参考訳）: 未経験深層学習と制約付き生成対向ネットワークを用いた高速計算ゴーストイメージング
• Authors: Fatemeh Alishahi and Amirhossein Mohajerin-Ariaei
• Abstract要約: 本稿では,計算ゴーストイメージングを利用する深層学習の能力について検討する。 そこで提案する深層学習手法により,ゴースト画像から高速ゴースト画像の高速化が可能となった。
• 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: The unpaired training can be the only option available for fast deep learning-based ghost imaging, where obtaining a high signal-to-noise ratio (SNR) image copy of each low SNR ghost image could be practically time-consuming and challenging. This paper explores the capabilities of deep learning to leverage computational ghost imaging when there is a lack of paired training images. The deep learning approach proposed here enables fast ghost imaging through reconstruction of high SNR images from faint and hastily shot ghost images using a constrained Wasserstein generative adversarial network. In the proposed approach, the objective function is regularized to enforce the generation of faithful and relevant high SNR images to the ghost copies. This regularization measures the distance between reconstructed images and the faint ghost images in a low-noise manifold generated by a shadow network. The performance of the constrained network is shown to be particularly important for ghost images with low SNR. The proposed pipeline is able to reconstruct high-quality images from the ghost images with SNR values not necessarily equal to the SNR of the training set.
• Abstract（参考訳）: 高速深層学習に基づくゴーストイメージングでは,低SNRゴースト画像の高信号対雑音比(SNR)画像コピーを得るのに,この未ペアトレーニングが唯一の選択肢となりうる。 本稿では,ペアトレーニング画像の欠如時に計算ゴースト画像を活用するための深層学習の能力について検討する。 本稿では, 高速ゴーストイメージングを高速に実現し, 拘束されたワッサーシュタイン生成逆数ネットワークを用いて, 高精細画像から高速ゴースト画像の再構成を可能にする。 提案手法では,ゴーストコピーに忠実かつ関連性の高い高SNR画像を生成するために,目的関数を正規化する。 この正規化は、シャドウネットワークによって生成された低雑音多様体における再構成画像とかすかなゴースト画像との距離を測定する。 SNRが低いゴースト画像では,ネットワーク性能が特に重要であることが示されている。 提案したパイプラインは,SNR値がトレーニングセットのSNRに必ずしも等しいとは限らないゴースト画像から高品質な画像を再構成することができる。

関連論文リスト

• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Self-Supervised High Dynamic Range Imaging with Multi-Exposure Images in Dynamic Scenes [58.66427721308464]
  Selfは、訓練中にダイナミックなマルチ露光画像のみを必要とする自己教師型再構成手法である。 Selfは最先端の自己管理手法に対して優れた結果を出し、教師付き手法に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-10-03T07:10:49Z)
• SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked Autoencoders [97.64072440883392]
  そこで本研究では,SSHDRと呼ばれる2段階の訓練を通した短距離HDRイメージングを実現するための,新しい半教師付きアプローチを提案する。 以前の方法とは異なり、コンテンツを直接回復し、ゴーストを同時に除去することは、最適に達成することが難しい。 実験により、SSHDRは異なるデータセットの内外における定量的かつ定性的に最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-14T03:42:51Z)
• Single-Image HDR Reconstruction by Multi-Exposure Generation [8.656080193351581]
  本稿では,HDR再構成のための物理画像形成過程を逆転する弱教師付き学習手法を提案する。 我々のニューラルネットワークは、複数の露光を合成する前に画素照射を再構成するためにカメラ応答を反転させることができる。 実験の結果,提案手法はHDR画像の再構成を効果的に行うことができることがわかった。
  論文  参考訳（メタデータ） (2022-10-28T05:12:56Z)
• Unsupervised Representation Learning for 3D MRI Super Resolution with Degradation Adaptation [28.296921790037725]
  高分解能(HR)磁気共鳴イメージングは、診断や画像誘導治療において医師を支援する上で重要である。 深層学習に基づく超解像再構成(SRR)は、低分解能(LR)画像から超解像(SR)画像を生成するための有望な解決策として登場した。 このようなニューラルネットワークのトレーニングには、画像取得中と画像取得間の患者の動きのために取得が困難である、整列したHRとLRイメージペアが必要である。
  論文  参考訳（メタデータ） (2022-05-13T21:07:26Z)
• IREM: High-Resolution Magnetic Resonance (MR) Image Reconstruction via Implicit Neural Representation [33.55719364798433]
  本稿では、複数の低分解能MR画像に基づいてトレーニングしたIREMと呼ばれる新しい画像再構成ネットワークを提案する。 IREMはスキャン時間を短縮し、SNRと局所像の詳細な点から高分解能MRイメージングを実現する。
  論文  参考訳（メタデータ） (2021-06-29T05:25:43Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• Deep Artifact-Free Residual Network for Single Image Super-Resolution [0.2399911126932526]
  本研究では,残差学習の利点と,地中構造像を目標として用いることの利点を活かしたDAFR(Deep Artifact-Free Residual)ネットワークを提案する。 我々のフレームワークは、高品質な画像再構成に必要な高周波情報を抽出するために、ディープモデルを用いている。 実験の結果,提案手法は既存の手法に比べて定量的,定性的な画像品質を実現することがわかった。
  論文  参考訳（メタデータ） (2020-09-25T20:53:55Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。