論文の概要: Convolutional Deep Denoising Autoencoders for Radio Astronomical Images
- arxiv url: http://arxiv.org/abs/2110.08618v1
- Date: Sat, 16 Oct 2021 17:08:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 11:28:22.613743
- Title: Convolutional Deep Denoising Autoencoders for Radio Astronomical Images
- Title（参考訳）: 電波画像用畳み込み型深層雑音自動エンコーダ
- Authors: Claudio Gheller and Franco Vazza
- Abstract要約: 我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。
我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We apply a Machine Learning technique known as Convolutional Denoising
Autoencoder to denoise synthetic images of state-of-the-art radio telescopes,
with the goal of detecting the faint, diffused radio sources predicted to
characterise the radio cosmic web. In our application, denoising is intended to
address both the reduction of random instrumental noise and the minimisation of
additional spurious artefacts like the sidelobes, resulting from the aperture
synthesis technique. The effectiveness and the accuracy of the method are
analysed for different kinds of corrupted input images, together with its
computational performance. Specific attention has been devoted to create
realistic mock observations for the training, exploiting the outcomes of
cosmological numerical simulations, to generate images corresponding to LOFAR
HBA 8 hours observations at 150 MHz. Our autoencoder can effectively denoise
complex images identifying and extracting faint objects at the limits of the
instrumental sensitivity. The method can efficiently scale on large datasets,
exploiting high performance computing solutions, in a fully automated way (i.e.
no human supervision is required after training). It can accurately perform
image segmentation, identifying low brightness outskirts of diffused sources,
proving to be a viable solution for detecting challenging extended objects
hidden in noisy radio observations.
- Abstract（参考訳）: 本稿では,最新の電波望遠鏡の合成画像に畳み込み復号化オートエンコーダと呼ばれる機械学習手法を適用し,無線宇宙ウェブの特徴として予測されるかすかな拡散電波源を検出することを目的とした。
提案手法では,無作為な楽器ノイズの低減と,アパーチャ合成技術によるサイドローブなどのスプリアスの最小化を両立することを目的としている。
本手法の有効性と精度は,様々な種類の入力画像に対して,その計算性能とともに解析される。
具体的な注意は、訓練のための現実的なモック観察を作成し、宇宙論的数値シミュレーションの結果を利用して、150mhzでの lofar hba 8時間観測に対応する画像を生成することに費やされている。
このオートエンコーダは,器用感度の限界で,かすかな物体を識別し抽出する複雑な画像に効果的に雑音を与えることができる。
この手法は大規模データセット上で効率よくスケールでき、高性能な計算ソリューションを完全自動化された方法で利用することができる。
画像のセグメンテーションを正確に実行し、拡散源の低輝度の郊外を識別し、ノイズの多い電波観測で隠された拡張物体を検出するための有効な解決策であることが証明される。
関連論文リスト
- An Image Quality Evaluation and Masking Algorithm Based On Pre-trained Deep Neural Networks [3.3573574079709223]
本稿では、オートエンコーダを用いて高品質な天体画像の特徴を学習する深層学習に基づく画像品質評価アルゴリズムを提案する。
訓練されたオートエンコーダは、ノイズの影響を受ける領域の画像品質とマスキングの自動評価を可能にする。
本アルゴリズムは,異なるスカイサーベイプロジェクトから得られる画像品質を自動評価するために用いられる。
論文 参考訳（メタデータ） (2024-05-06T12:20:16Z) - RL-based Stateful Neural Adaptive Sampling and Denoising for Real-Time
Path Tracing [1.534667887016089]
モンテカルロ経路追跡は、現実的な画像合成の強力な手法であるが、低いサンプル数での高レベルのノイズに悩まされている。
本稿では,サンプリング重要度ネットワーク,遅延空間エンコーダネットワーク,デノイザネットワークをエンドツーエンドでトレーニングするフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-05T12:39:27Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - Neuromorphic Camera Denoising using Graph Neural Network-driven
Transformers [3.805262583092311]
ニューロモルフィック・ビジョン(Neuromorphic vision)は、コンピュータビジョンコミュニティのパラダイムシフトを引き起こしたバイオインスパイアされた技術である。
ニューロモルフィックカメラは、かなりの量の計測ノイズに悩まされている。
このノイズは、ニューロモルフィック事象に基づく知覚とナビゲーションアルゴリズムの性能を劣化させる。
論文 参考訳（メタデータ） (2021-12-17T18:57:36Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-18T14:51:24Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳（メタデータ） (2021-08-04T16:36:29Z) - Learning Spatial and Spatio-Temporal Pixel Aggregations for Image and
Video Denoising [104.59305271099967]
ピクセル集計ネットワークを提示し、画像デノイジングのためのピクセルサンプリングと平均戦略を学びます。
時間空間にまたがるサンプル画素をビデオデノナイズするための画素集約ネットワークを開発した。
本手法は,動的シーンにおける大きな動きに起因する誤認問題を解決することができる。
論文 参考訳（メタデータ） (2021-01-26T13:00:46Z) - Lightweight Convolutional Neural Network with Gaussian-based Grasping
Representation for Robotic Grasping Detection [4.683939045230724]
現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。
ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。
ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
論文 参考訳（メタデータ） (2021-01-25T16:36:53Z) - Spatial-Adaptive Network for Single Image Denoising [14.643663950015334]
本稿では,効率的な単一画像ブラインドノイズ除去のための空間適応型雑音除去ネットワーク(SADNet)を提案する。
本手法は, 定量的かつ視覚的に, 最先端の復調法を超越することができる。
論文 参考訳（メタデータ） (2020-01-28T12:24:17Z)
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。