Fugu-MT 論文翻訳(概要): Microstructure reconstruction via artificial neural networks: A combination of causal and non-causal approach

論文の概要: Microstructure reconstruction via artificial neural networks: A combination of causal and non-causal approach

arxiv url: http://arxiv.org/abs/2110.09815v1
Date: Tue, 19 Oct 2021 09:04:19 GMT
ステータス: 処理完了
システム内更新日: 2021-10-20 14:37:28.396555
Title: Microstructure reconstruction via artificial neural networks: A combination of causal and non-causal approach
Title（参考訳）: ニューラルネットワークによる微細構造の再構築:因果的および非因果的アプローチの組み合わせ
Authors: Kry\v{s}tof Latka, Martin Do\v{s}k\'a\v{r}, and Jan Zeman
Abstract要約: 本稿では,現在の画素の位相を因果近傍に基づいて予測することにより,画像の再構成を提案する。次に、非因果ANNモデルを用いて、再構成した画像を後処理の形で滑らかにする。
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: We investigate the applicability of artificial neural networks (ANNs) in reconstructing a sample image of a sponge-like microstructure. We propose to reconstruct the image by predicting the phase of the current pixel based on its causal neighbourhood, and subsequently, use a non-causal ANN model to smooth out the reconstructed image as a form of post-processing. We also consider the impacts of different configurations of the ANN model (e.g. number of densely connected layers, number of neurons in each layer, the size of both the causal and non-causal neighbourhood) on the models' predictive abilities quantified by the discrepancy between the spatial statistics of the reference and the reconstructed sample.
Abstract（参考訳）: 本研究では,スポンジ状構造のサンプル画像再構成におけるニューラルネットワーク(ANN)の適用性を検討した。そこで本研究では,現在の画素の位相を因果関係に基づいて予測し,その後,非causal annモデルを用いて後処理として再構成画像を平滑化する手法を提案する。また、参照の空間統計量と再構成標本との差によって定量化されたモデルの予測能力に対する、annモデルの異なる構成(例えば、密結合層数、各層におけるニューロン数、因果関係と非因果関係の両方の大きさ)の影響についても検討する。

関連論文リスト

A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [55.748186000425996]
最近の進歩は、拡散モデルが高品質な画像を生成することを示している。我々はこの現象を階層的なデータ生成モデルで研究する。本分析は拡散モデルにおける時間とスケールの関係を特徴付ける。
論文参考訳（メタデータ） (2024-02-26T19:52:33Z)
Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文参考訳（メタデータ） (2024-01-04T08:46:39Z)
Learning multi-scale local conditional probability models of images [7.07848787073901]
ディープニューラルネットワークは、最近のスコアベース拡散法で得られた高品質な世代によって証明されたように、画像の強力な事前確率モデルを学ぶことができる。しかし、これらのネットワークが複雑なグローバルな統計構造をとらえる手段は、明らかに次元の呪いに苦しむことなく、謎のままだ。我々は拡散法を多スケール分解に取り入れ、粗大係数に条件付きウェーブレット係数の定常局所マルコフモデルを仮定することにより次元性を減少させる。
論文参考訳（メタデータ） (2023-03-06T09:23:14Z)
A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文参考訳（メタデータ） (2023-01-24T08:39:20Z)
JSRNN: Joint Sampling and Reconstruction Neural Networks for High Quality Image Compressed Sensing [8.902545322578925]
提案フレームワークには,サンプリングサブネットワークと再構築サブネットワークという2つのサブネットワークが含まれている。再構成サブネットワークでは、スタックド・デノイング・オートエンコーダ(SDA)と畳み込みニューラルネットワーク(CNN)を組み合わせたカスケードネットワークが信号の再構成のために設計されている。このフレームワークは、特にサンプリングレートの低い他の最先端手法よりも優れている。
論文参考訳（メタデータ） (2022-11-11T02:20:30Z)
Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文参考訳（メタデータ） (2022-10-25T08:34:29Z)
Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文参考訳（メタデータ） (2021-08-12T08:46:35Z)
Bridge the Gap Between Model-based and Model-free Human Reconstruction [10.818838437018682]
グラフ畳み込みニューラルネットワークによって構築された暗黙の面と明示的なメッシュモデルを同時に予測するエンド・ツー・エンドニューラルネットワークを提案する。 DeepHumanデータセットの実験は、我々のアプローチが効果的であることを示した。
論文参考訳（メタデータ） (2021-06-11T11:13:42Z)
Consumer Image Quality Prediction using Recurrent Neural Networks for Spatial Pooling [13.750624267664156]
本稿では、リカレントニューラルネットワーク(RNN)を用いて、人間の視覚系(HVS)の注意機構を模倣する画像品質モデルを提案する。最近発表された2つの画像品質データセットの解像度の異なる画像を用いて行った実験により、提案手法の品質予測精度は、最先端技術を表すベンチマークモデルと競合することを示した。
論文参考訳（メタデータ） (2021-06-02T03:31:44Z)
Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
論文参考訳（メタデータ） (2021-05-17T12:19:22Z)
NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文参考訳（メタデータ） (2020-08-26T17:59:36Z)

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。