Fugu-MT 論文翻訳(概要): Turbulence-immune computational ghost imaging based on a multi-scale generative adversarial network

論文の概要: Turbulence-immune computational ghost imaging based on a multi-scale generative adversarial network

arxiv url: http://arxiv.org/abs/2107.07870v1
Date: Wed, 14 Jul 2021 13:50:00 GMT
ステータス: 処理完了
システム内更新日: 2023-03-22 07:12:40.350106
Title: Turbulence-immune computational ghost imaging based on a multi-scale generative adversarial network
Title（参考訳）: マルチスケール生成対向ネットワークを用いた乱流免疫計算ゴーストイメージング
Authors: Hao Zhang and Deyang Duan
Abstract要約: MsGAN(MsGAN)を用いた乱流免疫CGI法について報告する。ネットワークをトレーニングすることで、良好な乱れのないゴーストイメージを再構成することができ、視覚効果を著しく向上させることができる。
参考スコア（独自算出の注目度）: 6.096612743012841
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There is a consensus that turbulence-free images cannot be obtained by conventional computational ghost imaging (CGI) because the CGI is only a classic simulation, which does not satisfy the conditions of turbulence-free imaging. In this article, we first report a turbulence-immune CGI method based on a multi-scale generative adversarial network (MsGAN). Here, the conventional CGI framework is not changed, but the conventional CGI coincidence measurement algorithm is optimized by an MsGAN. Thus, the satisfactory turbulence-free ghost image can be reconstructed by training the network, and the visual effect can be significantly improved.
Abstract（参考訳）: 従来の計算ゴーストイメージング(cgi)では、cgiは従来のシミュレーションに過ぎず、乱れのない画像の条件を満たさないため、乱れのない画像は得られないというコンセンサスがある。本稿では,マルチスケール生成型adversarial network (msgan) を用いた乱流免疫cgi法について報告する。ここで、従来のcgiフレームワークは変更されないが、従来のcgi一致測定アルゴリズムは、msganにより最適化される。これにより、ネットワークをトレーニングすることで、良好な乱流のないゴースト画像の再構成が可能となり、視覚効果が大幅に向上する。

関連論文リスト

DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文参考訳（メタデータ） (2023-03-17T18:00:27Z)
Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文参考訳（メタデータ） (2022-07-20T17:09:16Z)
Editing Out-of-domain GAN Inversion via Differential Activations [56.62964029959131]
本稿では,構成分解パラダイムを用いて,ドメイン外反転問題に対処する新しいGAN事前編集フレームワークを提案する。生成されたDiff-CAMマスクの助けを借りて、粗い再構成を直感的に元の画像と編集された画像で合成することができる。また, 分解段階において, 粗い再構成から最終微編集画像を切り離すための, GAN 以前のデゴーストネットワークを提示する。
論文参考訳（メタデータ） (2022-07-17T10:34:58Z)
Turbulence-free computational ghost imaging [4.687435652406819]
計算された光は実光と同じ大気乱流の影響を受けないため、非乱流画像はゴーストイメージングでは生成できない。まず,従来のゴーストイメージング装置が生成した信号の光子数変動自己相関を計測し,この問題に対処した。
論文参考訳（メタデータ） (2022-04-01T06:35:17Z)
LTT-GAN: Looking Through Turbulence by Inverting GANs [86.25869403782957]
本稿では,よく訓練されたGANによってカプセル化された視覚的事前情報を利用した最初の乱流緩和手法を提案する。視覚的先行性に基づき、周期的な文脈距離で復元された画像の同一性を維持することを学ぶことを提案する。本手法は, 回復した結果の視覚的品質と顔認証精度の両方において, 先行技術よりも優れていた。
論文参考訳（メタデータ） (2021-12-04T16:42:13Z)
Can a conventional optical camera realize turbulence-free imaging? [0.0]
日光強度の蓄積と光子数ゆらぎ自己相関に基づいて、従来の光学カメラで乱れのない画像を再構成することができる。携帯電話カメラを含むほとんどの光学カメラは、元のカメラの構造を変えることなくこの機能を実現することができる。
論文参考訳（メタデータ） (2021-09-09T02:11:38Z)
High-speed computational ghost imaging with compressed sensing based on a convolutional neural network [6.096612743012841]
高速イメージングのための新しいCGI方式を提案する。我々のシナリオでは、従来のCGIデータ処理アルゴリズムを畳み込みニューラルネットワーク(CNN)に基づく新しい圧縮センシング(CS)アルゴリズムに最適化する。実験結果から,本手法は従来のCGIよりもはるかに少ないサンプリングで高品質な画像を生成することができることがわかった。
論文参考訳（メタデータ） (2020-08-16T06:06:07Z)
CNN Detection of GAN-Generated Face Images based on Cross-Band Co-occurrences Analysis [34.41021278275805]
最終世代のGANモデルでは、自然と視覚的に区別できない合成画像を生成することができる。本稿では、スペクトル帯域間の不整合を利用して、自然画像とGAN生成物を区別する手法を提案する。
論文参考訳（メタデータ） (2020-07-25T10:55:04Z)
Learning to Restore a Single Face Image Degraded by Atmospheric Turbulence using CNNs [93.72048616001064]
このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
論文参考訳（メタデータ） (2020-07-16T15:25:08Z)

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。