論文の概要: High-Precision Inversion of Dynamic Radiography Using Hydrodynamic Features

• arxiv url: http://arxiv.org/abs/2112.01627v1
• Date: Thu, 2 Dec 2021 22:36:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 06:03:47.829559
• Title: High-Precision Inversion of Dynamic Radiography Using Hydrodynamic Features
• Title（参考訳）: 流体力学特性を用いたダイナミックラジオグラフィの高精度インバージョン
• Authors: Maliha Hossain, Balasubramanya T. Nadiga, Oleg Korobkin, Marc L. Klasky, Jennifer L. Schei, Joshua W. Burby, Michael T. McCann, Trevor Wilcox, Soumi De, Charles A. Bouman
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.3441584690770134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiography is often used to probe complex, evolving density fields in dynamic systems and in so doing gain insight into the underlying physics. This technique has been used in numerous fields including materials science, shock physics, inertial confinement fusion, and other national security applications. In many of these applications, however, complications resulting from noise, scatter, complex beam dynamics, etc. prevent the reconstruction of density from being accurate enough to identify the underlying physics with sufficient confidence. As such, density reconstruction from static/dynamic radiography has typically been limited to identifying discontinuous features such as cracks and voids in a number of these applications. In this work, we propose a fundamentally new approach to reconstructing density from a temporal sequence of radiographic images. Using only the robust features identifiable in radiographs, we combine them with the underlying hydrodynamic equations of motion using a machine learning approach, namely, conditional generative adversarial networks (cGAN), to determine the density fields from a dynamic sequence of radiographs. Next, we seek to further enhance the hydrodynamic consistency of the ML-based density reconstruction through a process of parameter estimation and projection onto a hydrodynamic manifold. In this context, we note that the distance from the hydrodynamic manifold given by the training data to the test data in the parameter space considered both serves as a diagnostic of the robustness of the predictions and serves to augment the training database, with the expectation that the latter will further reduce future density reconstruction errors. Finally, we demonstrate the ability of this method to outperform a traditional radiographic reconstruction in capturing allowable hydrodynamic paths even when relatively small amounts of scatter are present.
• Abstract（参考訳）: ラジオグラフィは、力学系の複雑な密度場を探究し、基礎となる物理学の洞察を得るためにしばしば用いられる。 この手法は、材料科学、衝撃物理学、慣性閉じ込め融合、その他の国家安全保障の応用など、様々な分野で使用されている。 しかし、これらの応用の多くは、ノイズ、散乱、複雑なビームダイナミクスなどに起因する合併症により、密度の再構成が十分な信頼性を持って基礎となる物理学を特定するのに十分な精度を得られない。 そのため、静的・動的ラジオグラフィーからの密度再構成は、多くの応用において亀裂や空隙のような不連続な特徴を特定することに制限されている。 本研究では,放射線画像の時系列から密度を再構成する基本的な手法を提案する。 ラジオグラフで識別可能なロバストな特徴のみを用いることで、これらを機械学習アプローチ、すなわち条件付き生成逆逆ネットワーク(cgan)を用いて動流体力学方程式と組み合わせ、動画像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。 この文脈では、トレーニングデータから与えられた流体力学多様体からパラメータ空間におけるテストデータまでの距離は、共に予測の頑健さの診断に役立ち、トレーニングデータベースの強化に役立ち、後者は将来の密度再構成エラーを更に低減することを期待する。 最後に, 比較的少量の散乱が存在する場合においても, 許容可能な流体経路を捕捉し, 従来の放射線画像再構成よりも優れていることを示す。

関連論文リスト

• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• 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)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Physics-Driven Learning of Wasserstein GAN for Density Reconstruction in Dynamic Tomography [4.970364068620608]
  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。
  論文  参考訳（メタデータ） (2021-10-28T20:23:06Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Data-driven reduced order modeling of environmental hydrodynamics using deep autoencoders and neural ODEs [3.4527210650730393]
  減弱基底表現の発見にディープオートエンコーダを用いた場合について検討する。 テスト問題としては,シリンダーまわりの非圧縮性流れや,河口系における浅水流体力学の現実的応用などが挙げられる。
  論文  参考訳（メタデータ） (2021-07-06T17:45:37Z)
• Neural Ordinary Differential Equations for Data-Driven Reduced Order Modeling of Environmental Hydrodynamics [4.547988283172179]
  流体シミュレーションにおける神経常微分方程式の利用について検討する。 テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。 本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
  論文  参考訳（メタデータ） (2021-04-22T19:20:47Z)
• Latent linear dynamics in spatiotemporal medical data [0.0]
  逐次的画像のみに基づいて,システムの基盤となるダイナミクスを識別する教師なしモデルを提案する。 モデルは、入力を隠れ状態過程と観察された潜伏過程の間に線形関係が保たれる低次元潜伏空間にマッピングする。 システムダイナミクスの知識は、デノイジング、欠落値のインプテーション、将来の画像フレームの補間を可能にする。
  論文  参考訳（メタデータ） (2021-03-01T11:42:21Z)

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。