論文の概要: Physics-Driven Learning of Wasserstein GAN for Density Reconstruction in Dynamic Tomography

• arxiv url: http://arxiv.org/abs/2110.15424v1
• Date: Thu, 28 Oct 2021 20:23:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 15:05:51.642773
• Title: Physics-Driven Learning of Wasserstein GAN for Density Reconstruction in Dynamic Tomography
• Title（参考訳）: 動的トモグラフィにおける密度再構成のためのWasserstein GANの物理駆動学習
• Authors: Zhishen Huang, Marc Klasky, Trevor Wilcox, Saiprasad Ravishankar
• Abstract要約: 本研究では, ノイズ密度再構成において, 深層ニューラルネットワークが人工物除去を行う能力を示す。 We use a Wasserstein generative adversarial network (WGAN) ここでは、ジェネレータが従来の再構成アルゴリズムから得られた密度のアーチファクトを除去するデノイザとして機能する。 予備的な数値計算により,我々のフレームワークで訓練したモデルでは,密度時系列データにおいて未知のノイズのかなりの部分を取り除くことができることがわかった。
• 参考スコア（独自算出の注目度）: 4.970364068620608
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Object density reconstruction from projections containing scattered radiation and noise is of critical importance in many applications. Existing scatter correction and density reconstruction methods may not provide the high accuracy needed in many applications and can break down in the presence of unmodeled or anomalous scatter and other experimental artifacts. Incorporating machine-learned models could prove beneficial for accurate density reconstruction particularly in dynamic imaging, where the time-evolution of the density fields could be captured by partial differential equations or by learning from hydrodynamics simulations. In this work, we demonstrate the ability of learned deep neural networks to perform artifact removal in noisy density reconstructions, where the noise is imperfectly characterized. We use a Wasserstein generative adversarial network (WGAN), where the generator serves as a denoiser that removes artifacts in densities obtained from traditional reconstruction algorithms. We train the networks from large density time-series datasets, with noise simulated according to parametric random distributions that may mimic noise in experiments. The WGAN is trained with noisy density frames as generator inputs, to match the generator outputs to the distribution of clean densities (time-series) from simulations. A supervised loss is also included in the training, which leads to improved density restoration performance. In addition, we employ physics-based constraints such as mass conservation during network training and application to further enable highly accurate density reconstructions. Our preliminary numerical results show that the models trained in our frameworks can remove significant portions of unknown noise in density time-series data.
• Abstract（参考訳）: 散乱放射とノイズを含む投影体からの物体密度再構成は多くの応用において重要である。 既存の散乱補正および密度再構成法は、多くのアプリケーションで必要とされる高い精度を提供しておらず、非モデル化または異常な散乱やその他の実験的な成果物の存在下で分解することができる。 機械学習モデルの導入は、特に動的イメージングにおいて、密度場の時間進化を偏微分方程式や流体力学シミュレーションから学ぶことによって捉えることができる正確な密度再構成に有用である。 本研究では,ノイズを不完全に特徴付ける雑音密度再構成法において,学習した深層ニューラルネットワークがアーティファクト除去を行う能力を示す。 我々はwasserstein generative adversarial network (wgan) を用いて,従来の再構成アルゴリズムから得られた密度のアーティファクトを除去するデノイザーとして,ジェネレータが機能する。 我々は,大規模時系列データセットからネットワークをトレーニングし,実験でノイズを模倣するパラメトリックなランダム分布に従って雑音をシミュレートする。 WGANは、発電機出力をシミュレーションからクリーン密度(時系列)の分布と一致するように、ノイズ密度フレームをジェネレータ入力として訓練する。 トレーニングには教師付き損失も含まれており、それによって密度回復性能が向上する。 さらに,ネットワークトレーニングにおける質量保存などの物理に基づく制約を適用し,高精度な密度再構成を実現する。 予備的な数値結果から,我々のフレームワークで訓練したモデルは,密度時系列データにおいて未知のノイズのかなりの部分を除去できることがわかった。

関連論文リスト

• Compressing Image-to-Image Translation GANs Using Local Density Structures on Their Learned Manifold [69.33930972652594]
  GAN(Generative Adversarial Networks)は、画像から画像への変換のための複雑なデータ分散のモデル化において、顕著な成功を収めている。 既存のGAN圧縮法は主に知識蒸留や畳み込み分類器の刈り取り技術に依存している。 学習多様体上の元のパラメータ重モデルの密度構造を保存するために,プルーンドモデルを明示的に促すことにより,新しいアプローチを提案する。 画像変換GANモデルであるPix2PixとCycleGANについて,様々なベンチマークデータセットとアーキテクチャを用いて実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-12-22T15:43:12Z)
• Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
  高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。 DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。 拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
  論文  参考訳（メタデータ） (2023-11-02T01:53:55Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• High-Precision Inversion of Dynamic Radiography Using Hydrodynamic Features [3.3441584690770134]
  本稿では, 時空間のラジオグラフィーから密度を復元する手法を提案する。 我々は、ラジオグラフィーで特定可能なロバストな特徴のみを用いて、ラジオグラフィーの動的シーケンスから密度場を決定する。 次に、パラメータ推定および流体力学多様体への投射過程を通じて、MLに基づく密度再構成の流体力学的整合性をさらに向上することを目的とする。
  論文  参考訳（メタデータ） (2021-12-02T22:36:00Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Prediction of Object Geometry from Acoustic Scattering Using Convolutional Neural Networks [8.067201256886733]
  本研究は,畳み込みニューラルネットワークを訓練することにより,散乱特徴から物体形状を推定することを提案する。 データ劣化に対する我々のアプローチの堅牢性は、データセットを用いてトレーニングされたネットワークの性能を比較して評価する。
  論文  参考訳（メタデータ） (2020-10-21T00:51:14Z)
• Homotopic Gradients of Generative Density Priors for MR Image Reconstruction [17.260092753832545]
  MRI再建のためには, 生成密度先行のホモトピック勾配が提案されている。 その結果,HGGDPは高い再構成精度で顕著な性能を示した。
  論文  参考訳（メタデータ） (2020-08-14T10:30:12Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)
• Learning Generative Models using Denoising Density Estimators [29.068491722778827]
  縮退密度推定器(DDE)に基づく新しい生成モデルを提案する。 我々の主な貢献は、KL分割を直接最小化することで生成モデルを得る新しい技術である。 実験結果から, 生成モデル学習における密度推定と競争性能が大幅に向上した。
  論文  参考訳（メタデータ） (2020-01-08T20:30:40Z)

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。