論文の概要: Phase function estimation from a diffuse optical image via deep learning

• arxiv url: http://arxiv.org/abs/2111.08227v1
• Date: Tue, 16 Nov 2021 04:59:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-17 16:22:34.186543
• Title: Phase function estimation from a diffuse optical image via deep learning
• Title（参考訳）: 深層学習による拡散光学画像からの位相関数推定
• Authors: Yuxuan Liang, Chuang Niu, Chen Wei, Shenghan Ren, Wenxiang Cong and Ge Wang
• Abstract要約: 位相関数はモンテカルロ(MC)シミュレーションのための光伝搬モデルの鍵となる要素である。 近年,Henyey-Greenstein相関数のような特定の形態の位相関数のパラメータを推定する機械学習手法が報告されている。 ここでは、位相関数の形式に関する明示的な仮定なしで拡散光学画像から位相関数を推定する畳み込みニューラルネットワークを設計する。
• 参考スコア（独自算出の注目度）: 10.270471342511904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The phase function is a key element of a light propagation model for Monte Carlo (MC) simulation, which is usually fitted with an analytic function with associated parameters. In recent years, machine learning methods were reported to estimate the parameters of the phase function of a particular form such as the Henyey-Greenstein phase function but, to our knowledge, no studies have been performed to determine the form of the phase function. Here we design a convolutional neural network to estimate the phase function from a diffuse optical image without any explicit assumption on the form of the phase function. Specifically, we use a Gaussian mixture model as an example to represent the phase function generally and learn the model parameters accurately. The Gaussian mixture model is selected because it provides the analytic expression of phase function to facilitate deflection angle sampling in MC simulation, and does not significantly increase the number of free parameters. Our proposed method is validated on MC-simulated reflectance images of typical biological tissues using the Henyey-Greenstein phase function with different anisotropy factors. The effects of field of view (FOV) and spatial resolution on the errors are analyzed to optimize the estimation method. The mean squared error of the phase function is 0.01 and the relative error of the anisotropy factor is 3.28%.
• Abstract（参考訳）: 位相関数はモンテカルロ (MC) シミュレーションのための光伝搬モデルの鍵要素であり、通常は関連するパラメータを持つ解析関数が組み込まれている。 近年,Henyey-Greenstein相関数のような特定の形態の位相関数のパラメータを推定する機械学習手法が報告されているが,我々の知る限り,位相関数の形式を決定するための研究は行われていない。 本稿では、位相関数の形式を明示的に仮定することなく、拡散光学画像から位相関数を推定する畳み込みニューラルネットワークを設計する。 具体的には,ガウス混合モデルを用いて位相関数の一般表現を行い,モデルパラメータを正確に学習する。 ガウス混合モデルは、MCシミュレーションにおける偏向角サンプリングを容易にする位相関数の解析式を提供し、自由パラメータの数を大幅に増やさないため、選択される。 提案手法は,異方性因子の異なるhenyey-greenstein相関数を用いて,典型的な生体組織のmcシミュレーション反射画像上で検証する。 フィールド・オブ・ビュー(FOV)と空間分解能が誤差に与える影響を解析して推定法を最適化する。 位相関数の平均二乗誤差は 0.01 であり、異方性係数の相対誤差は 3.28% である。

関連論文リスト

• Implicitly Learned Neural Phase Functions for Basis-Free Point Spread Function Engineering [0.0]
  ポイントスプレッド機能(PSF)技術は、計算画像における光の焦点を正確に制御するために不可欠である。 本稿では, 位相関数の品質において, 既存の画素ワイズ最適化手法を著しく上回る暗黙のニューラル表現を活用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-07T18:26:30Z)
• 4+3 Phases of Compute-Optimal Neural Scaling Laws [31.72805124311781]
  データ複雑性、ターゲット複雑性、モデルパラメータの3つのパラメータを持つ、解決可能なニューラルネットワークモデルを考察する。 このモデルを用いて、無限データスケーリング法則に関する新しい予測を導出する。
  論文  参考訳（メタデータ） (2024-05-23T21:50:54Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• A General Scattering Phase Function for Inverse Rendering [11.197130049952715]
  均一な半透明材料における光散乱のモデル化問題に取り組む。 散乱位相関数は散乱放射の分布に影響を与えるパラメータの1つである。
  論文  参考訳（メタデータ） (2022-09-28T07:19:05Z)
• Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
  本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。 提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
  論文  参考訳（メタデータ） (2022-05-18T17:11:23Z)
• Moment evolution equations and moment matching for stochastic image EPDiff [68.97335984455059]
  画像変形モデルにより、画像領域を変形させることにより、時間連続的な画像変換の研究が可能になる。 応用例としては、人口傾向とランダムな被写体特定変異の両方を用いた医療画像分析がある。 パラメータフルモデルにおける統計的推測のための推定器を構築するために、対応する伊藤拡散のモーメント近似を用いる。
  論文  参考訳（メタデータ） (2021-10-07T11:08:11Z)
• Image reconstruction in light-sheet microscopy: spatially varying deconvolution and mixed noise [1.1545092788508224]
  光シート顕微鏡におけるデコンボリューションの問題点について検討する。 データは空間的に異なるぼかしと、ポアソンとガウスノイズの組み合わせによって破壊される。 シミュレーションと実データの両方で行った数値実験は, 他の手法と比較して, 再現性に優れていた。
  論文  参考訳（メタデータ） (2021-08-08T14:14:35Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
  本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。 本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。 本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-11-09T02:51:17Z)
• Fast approximations in the homogeneous Ising model for use in scene analysis [61.0951285821105]
  我々は、推論に必要な量を数値計算できる正確な近似を提供する。 近似式はスケーラブルでマルコフランダム場の大きさに満足できないことを示す。 機能的磁気共鳴イメージングアクティベーション検出実験においてベイズ推論を行い, ピスタチオ樹収量の年次増加の空間パターンにおける異方性に対する確率比試験を行った。
  論文  参考訳（メタデータ） (2017-12-06T14:24:34Z)

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。