論文の概要: Uncertainty quantification for ptychography using normalizing flows

• arxiv url: http://arxiv.org/abs/2111.00745v1
• Date: Mon, 1 Nov 2021 07:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 13:59:09.711710
• Title: Uncertainty quantification for ptychography using normalizing flows
• Title（参考訳）: 正規化フローを用いたポチトグラフィーの不確かさ定量化
• Authors: Agnimitra Dasgupta and Zichao Wendy Di
• Abstract要約: Ptychographyは、大規模な非線形および非次元逆問題を示す。 その固有の写真統計は、これらの課題に取り組むための統計に基づくディープラーニングアプローチの明確な機会を生み出します。 本研究では,再建に伴う不確実性のキャラクタリゼーションを実現するため,高次元後部サロゲートを得るための流れを探索する。
• 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: Ptychography, as an essential tool for high-resolution and nondestructive material characterization, presents a challenging large-scale nonlinear and non-convex inverse problem; however, its intrinsic photon statistics create clear opportunities for statistical-based deep learning approaches to tackle these challenges, which has been underexplored. In this work, we explore normalizing flows to obtain a surrogate for the high-dimensional posterior, which also enables the characterization of the uncertainty associated with the reconstruction: an extremely desirable capability when judging the reconstruction quality in the absence of ground truth, spotting spurious artifacts and guiding future experiments using the returned uncertainty patterns. We demonstrate the performance of the proposed method on a synthetic sample with added noise and in various physical experimental settings.
• Abstract（参考訳）: 高分解能・非破壊的な材料キャラクタリゼーションに欠かせない手法として、Ptychographyは大規模な非線形・非凸逆問題を示すが、本質的な光子統計はこれらの課題に対処するための統計に基づく深層学習アプローチに明確な機会を与える。 本研究は, 高次元後部サロゲートを得るための正規化流を探索し, また, 復元に伴う不確かさのキャラクタリゼーションを可能にする。地中真実の欠如による復元品質の判断, 突発的な人工物発見, 返却された不確実性パターンを用いた将来の実験の指導において, 極めて望ましい能力である。 提案手法は, 音を付加した合成試料と, 様々な物理実験環境での性能を示す。

関連論文リスト

• Differentiable and Stable Long-Range Tracking of Multiple Posterior Modes [1.534667887016089]
  我々は、学習データを活用し、潜在対象状態における不確実性の粒子ベース表現を識別的に学習する。 提案手法は精度を劇的に向上すると同時に,複数のトレーニング実行における安定性も向上する。
  論文  参考訳（メタデータ） (2024-04-12T19:33:52Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Equivariant Bootstrapping for Uncertainty Quantification in Imaging Inverse Problems [0.24475591916185502]
  パラメトリックブートストラップアルゴリズムの等価な定式化に基づく新しい不確実性定量化手法を提案する。 提案手法は汎用的であり,任意の画像再構成手法で容易に適用可能である。 提案手法を数値実験および代替不確実性定量化戦略との比較により実証する。
  論文  参考訳（メタデータ） (2023-10-18T09:43:15Z)
• Reconstruction Distortion of Learned Image Compression with Imperceptible Perturbations [69.25683256447044]
  本稿では,学習画像圧縮(lic)の再構成品質を効果的に劣化させる攻撃手法を提案する。 我々は,Frobeniusノルムに基づく損失関数を導入して,元の画像と再構成された逆例との差を最大化することによって,逆例を生成する。 様々なlicモデルを用いてKodakデータセット上で実験を行った結果,有効性が確認された。
  論文  参考訳（メタデータ） (2023-06-01T20:21:05Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [89.49600182243306]
  我々は拡散モデルを用いて再構成過程をノイズ・ツー・ノームパラダイムに再構成する。 本稿では,拡散モデルにおける従来の反復的復調よりもはるかに高速な高速な一段階復調パラダイムを提案する。 セグメント化サブネットワークは、入力画像とその異常のない復元を用いて画素レベルの異常スコアを予測する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Simultaneous Reconstruction and Uncertainty Quantification for Tomography [0.0]
  基底的真理がなければ、解の質の定量化は非常に望ましいが、未探索である。 本研究では,ガウス過程のモデリングを通じて,サンプル特徴や実験ノイズの事前知識を柔軟かつ明示的に取り入れることによって,この問題に対処する。 提案手法は,既存手法に匹敵する再構成だけでなく,解の不確かさの定量化にも有効である。
  論文  参考訳（メタデータ） (2021-03-29T18:16:57Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
  本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。 本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
  論文  参考訳（メタデータ） (2020-11-17T04:12:52Z)
• Total Deep Variation for Linear Inverse Problems [71.90933869570914]
  本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。 本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
  論文  参考訳（メタデータ） (2020-01-14T19:01:50Z)
• A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
  不確実性は、不条件の逆問題を扱う際に必須である。 未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。 本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。