論文の概要: Joint optimization of system design and reconstruction in MIMO radar imaging

• arxiv url: http://arxiv.org/abs/2110.03218v1
• Date: Thu, 7 Oct 2021 07:04:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 15:52:10.336657
• Title: Joint optimization of system design and reconstruction in MIMO radar imaging
• Title（参考訳）: MIMOレーダイメージングにおけるシステム設計と再構成の共同最適化
• Authors: Tomer Weiss, Nissim Peretz, Sanketh Vedula, Arie Feuer, Alex Bronstein
• Abstract要約: そこで本研究では,買収・再建パイプラインをエンド・ツー・エンドで異なる方法で学習するアルゴリズムを提案する。 ニューラルネットワークの再構築の有無に関わらず,学習した取得パラメータを使用することの重要性を実証する。
• 参考スコア（独自算出の注目度）: 2.7318988328248595
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multiple-input multiple-output (MIMO) radar is one of the leading depth sensing modalities. However, the usage of multiple receive channels lead to relative high costs and prevent the penetration of MIMOs in many areas such as the automotive industry. Over the last years, few studies concentrated on designing reduced measurement schemes and image reconstruction schemes for MIMO radars, however these problems have been so far addressed separately. On the other hand, recent works in optical computational imaging have demonstrated growing success of simultaneous learning-based design of the acquisition and reconstruction schemes, manifesting significant improvement in the reconstruction quality. Inspired by these successes, in this work, we propose to learn MIMO acquisition parameters in the form of receive (Rx) antenna elements locations jointly with an image neural-network based reconstruction. To this end, we propose an algorithm for training the combined acquisition-reconstruction pipeline end-to-end in a differentiable way. We demonstrate the significance of using our learned acquisition parameters with and without the neural-network reconstruction.
• Abstract（参考訳）: マルチインプット・マルチアウトプット(MIMO)レーダーは、先進的な深度検知方式の一つである。 しかし、マルチレシーブチャネルの使用は比較的高いコストをもたらし、自動車産業など多くの地域でMIMOの浸透を防いでいる。 過去数年間、mimoレーダの縮小計測スキームや画像再構成スキームの設計に注力する研究は少なかったが、これらの問題は別途取り組まれている。 一方,光計算イメージングにおける最近の研究は,獲得と再構成の同時学習に基づく設計が成功し,復元品質が著しく向上していることを示している。 これらの成功に触発されて、我々は、画像ニューラルネットベースの再構成と協調して受信(Rx)アンテナ要素の位置の形でMIMO取得パラメータを学習することを提案する。 そこで本研究では,買収・再建パイプラインのエンドツーエンドを異なる方法で学習するアルゴリズムを提案する。 学習した獲得パラメータをニューラルネットワーク再構成の有無にかかわらず使用することの重要性を実証する。

関連論文リスト

• MCU-Net: A Multi-prior Collaborative Deep Unfolding Network with Gates-controlled Spatial Attention for Accelerated MR Image Reconstruction [9.441882492801174]
  ディープ・アンフォールディング・ネットワーク(DUN)はMRI(accrating magnetic resonance imaging)において有意な可能性を証明している しかし、それらはしばしば高い計算コストと緩やかな収束率に遭遇する。 我々はこれらの制約に対処するため、MCU-Netと呼ばれるマルチプライオリティ協調型DUNを提案する。
  論文  参考訳（メタデータ） (2024-02-04T07:29:00Z)
• Uncertainty-Aware Null Space Networks for Data-Consistent Image Reconstruction [0.0]
  近年の深層学習の進歩をもとに,最先端の再構築手法が開発されている。 医用画像などの安全クリティカルな領域で使用するためには, ネットワーク再構築は, 利用者に再構成画像を提供するだけでなく, ある程度の信頼を得る必要がある。 この研究は、入力依存のスケールマップを推定することによって、データ依存の不確実性をモデル化する逆問題に対する最初のアプローチである。
  論文  参考訳（メタデータ） (2023-04-14T06:58:44Z)
• 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)
• Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
  我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。 我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。 我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
  論文  参考訳（メタデータ） (2022-03-29T07:56:55Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• 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)
• LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
  本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。 LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。 無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
  論文  参考訳（メタデータ） (2021-02-05T04:26:05Z)
• Geometric Approaches to Increase the Expressivity of Deep Neural Networks for MR Reconstruction [41.62169556793355]
  高速磁気共鳴画像(MRI)取得による画像再構成には,ディープラーニングのアプローチが広く研究されている。 ネットワークの複雑さとパフォーマンスのトレードオフをバランスさせるために、適切なネットワークアーキテクチャを選択する方法が明確ではない。 本稿では,ブートストラップとサブネットワークアグリゲーションを用いて,ニューラルネットワークの表現性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-17T14:18:37Z)
• Neural Architecture Search for Compressed Sensing Magnetic Resonance Image Reconstruction [36.636219616998225]
  そこで我々は,手作業ではなくNASによるMR画像再構成問題に対して,新しい,効率的なネットワークを提案する。 実験の結果,検索したネットワークは,従来の最先端手法と比較して,より良好な再構成結果が得られることがわかった。 提案手法は, MR再構成問題に対するコストと再構成性能のトレードオフを, 高い一般化性で向上させることができる。
  論文  参考訳（メタデータ） (2020-02-22T04:40:16Z)

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。