Fugu-MT 論文翻訳(概要): Deep Unrolled Recovery in Sparse Biological Imaging

論文の概要: Deep Unrolled Recovery in Sparse Biological Imaging

arxiv url: http://arxiv.org/abs/2109.14025v1
Date: Tue, 28 Sep 2021 20:22:44 GMT
ステータス: 処理完了
システム内更新日: 2021-10-01 03:40:30.132972
Title: Deep Unrolled Recovery in Sparse Biological Imaging
Title（参考訳）: Sparse Biological Imaging におけるディープアンロールド・リカバリ
Authors: Yair Ben Sahel, John P. Bryan, Brian Cleary, Samouil L. Farhi, Yonina C. Eldar
Abstract要約: ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
参考スコア（独自算出の注目度）: 62.997667081978825
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep algorithm unrolling has emerged as a powerful model-based approach to develop deep architectures that combine the interpretability of iterative algorithms with the performance gains of supervised deep learning, especially in cases of sparse optimization. This framework is well-suited to applications in biological imaging, where physics-based models exist to describe the measurement process and the information to be recovered is often highly structured. Here, we review the method of deep unrolling, and show how it improves source localization in several biological imaging settings.
Abstract（参考訳）: deep algorithm unrollingは、反復アルゴリズムの解釈可能性と教師付きディープラーニングのパフォーマンス向上、特にスパース最適化を組み合わせる、深いアーキテクチャを開発するための強力なモデルベースのアプローチとして登場した。この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。本稿では, 深層展開法について概説し, 生体画像設定におけるソースの局在性の向上について述べる。

関連論文リスト

Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。提案手法は, 監視対象の性能を超過する。
論文参考訳（メタデータ） (2024-03-25T17:40:32Z)
Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。生体受容の分野からインスピレーションを得る手法を提案する。
論文参考訳（メタデータ） (2024-01-18T18:06:22Z)
Deep Unfolding of the DBFB Algorithm with Application to ROI CT Imaging with Limited Angular Density [15.143939192429018]
本稿では,関心領域(ROI)を限定されたCT値から再構成する手法を提案する。ディープメソッドは高速で、データセットからの情報を活用することで、高いリコンストラクション品質に達することができる。限られたデータからのROI再構成のために設計されたUDBFBと呼ばれる展開ニューラルネットワークを導入する。
論文参考訳（メタデータ） (2022-09-27T09:10:57Z)
Localized Persistent Homologies for more Effective Deep Learning [60.78456721890412]
ネットワークトレーニング中の位置を考慮に入れた新しいフィルタ機能を利用する手法を提案する。この方法で訓練されたネットワークが抽出した曲線構造のトポロジを回復するのに役立つ道路の2次元画像と神経過程の3次元画像スタックを実験的に実証した。
論文参考訳（メタデータ） (2021-10-12T19:28:39Z)
A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文参考訳（メタデータ） (2021-05-18T10:15:17Z)
Unfolded Algorithms for Deep Phase Retrieval [16.14838937433809]
Unfolded Phase Retrieval (UPR) と呼ばれるハイブリッドモデルベースのデータ駆動型ディープアーキテクチャを提案する。提案手法は,定評のあるモデルベースアルゴリズムの汎用性と解釈性が有効である。センシングマトリクスと信号処理アルゴリズムの合同設計を考察し,そのプロセスにおける深い展開手法を応用した。
論文参考訳（メタデータ） (2020-12-21T03:46:17Z)
Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
グループベース画像復元法は,パッチ間の類似性収集に有効である。各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
論文参考訳（メタデータ） (2020-08-09T15:12:16Z)
Deep Learning Based Segmentation of Various Brain Lesions for Radiosurgery [0.8431877864777444]
臨床定位放射線治療データセットに最先端のディープラーニングセグメンテーションアルゴリズムをベンチマークした。特に, サンプリング手法, モデルアーキテクチャ, 損失関数の選択について, モデル性能を比較した。
論文参考訳（メタデータ） (2020-07-22T09:35:04Z)
UPR: A Model-Driven Architecture for Deep Phase Retrieval [14.433858410963717]
本稿では,ハイブリッドモデルに基づくデータ駆動型深層アーキテクチャ(Unfolded Phase Retrieval (UPR))を提案する。具体的には、提案手法は、よく確立されたモデルベースアルゴリズムの汎用性と解釈可能性の恩恵を受けると同時に、深層ニューラルネットワークの表現力の恩恵を受ける。このようなハイブリッドな深層構造の有効性を数値計算で示し、既存の位相探索アルゴリズムを強化するために、データ支援手法の未使用の可能性を示す。
論文参考訳（メタデータ） (2020-03-09T20:22:40Z)
Deep-URL: A Model-Aware Approach To Blind Deconvolution Based On Deep Unfolded Richardson-Lucy Network [22.43766909236479]
本稿では,ぼやけた画像からぼやけたカーネルとシャープなイメージの両方を復元できる,モデル対応のディープアーキテクチャを提案する。我々の数値的な研究は、最先端のアルゴリズムと比較して著しく改善されている。
論文参考訳（メタデータ） (2020-02-03T23:43:08Z)

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。