論文の概要: Implicit Neural Representations for Deconvolving SAS Images

• arxiv url: http://arxiv.org/abs/2112.08539v1
• Date: Thu, 16 Dec 2021 00:24:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 16:31:16.378415
• Title: Implicit Neural Representations for Deconvolving SAS Images
• Title（参考訳）: SAS画像の非畳み込みにおける暗黙的ニューラル表現
• Authors: Albert Reed, Thomas Blanford, Daniel C. Brown, Suren Jayasuriya
• Abstract要約: 合成開口ソナー(SAS)画像解像度は波形帯域と配列幾何学によって制約される。 本研究では、自然画像空間の強い先行性を示す暗黙的ニューラル表現(INR)を利用して、SAS画像を分解する。 本手法は, 点散乱モデルと実データとを空気中円SASでキャプチャした実データを用いて, シミュレーションSASデータに対して検証する。
• 参考スコア（独自算出の注目度）: 4.446017969073817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic aperture sonar (SAS) image resolution is constrained by waveform bandwidth and array geometry. Specifically, the waveform bandwidth determines a point spread function (PSF) that blurs the locations of point scatterers in the scene. In theory, deconvolving the reconstructed SAS image with the scene PSF restores the original distribution of scatterers and yields sharper reconstructions. However, deconvolution is an ill-posed operation that is highly sensitive to noise. In this work, we leverage implicit neural representations (INRs), shown to be strong priors for the natural image space, to deconvolve SAS images. Importantly, our method does not require training data, as we perform our deconvolution through an analysis-bysynthesis optimization in a self-supervised fashion. We validate our method on simulated SAS data created with a point scattering model and real data captured with an in-air circular SAS. This work is an important first step towards applying neural networks for SAS image deconvolution.
• Abstract（参考訳）: 合成開口ソナー(SAS)画像解像度は波形帯域と配列幾何学によって制約される。 具体的には、波形帯域幅は、シーン内の点散乱器の位置をぼかす点拡散関数(PSF)を決定する。 理論的には、再構成されたSAS画像をシーンPSFで分解することで、散乱体の元の分布を復元し、よりシャープな再構成を行う。 しかし、デコンボリューションはノイズに非常に敏感な不正な操作である。 本研究では,自然画像空間に対して強い先行性を示す暗黙的ニューラル表現(inrs)を用いて,sas画像のデコンボリューションを行う。 重要なことは、自己教師付き方式で分析・合成最適化によってデコンボリューションを行うため、トレーニングデータを必要としないことである。 本手法は, 点散乱モデルと実データとを空気中円SASでキャプチャした実データを用いて, シミュレーションSASデータに対して検証する。 この研究は、SAS画像のデコンボリューションにニューラルネットワークを適用するための重要な第一歩である。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• Coarse-Fine Spectral-Aware Deformable Convolution For Hyperspectral Image Reconstruction [15.537910100051866]
  Coded Aperture Snapshot Spectral Imaging (CASSI) の逆問題について検討する。 粗面スペクトル対応変形性畳み込みネットワーク(CFSDCN)を提案する。 我々のCFSDCNは、シミュレーションされたHSIデータセットと実際のHSIデータセットの両方において、従来の最先端(SOTA)メソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-18T15:15:12Z)
• Improving Diffusion-Based Image Synthesis with Context Prediction [49.186366441954846]
  既存の拡散モデルは、主に、劣化した画像から空間軸に沿って画素幅または特徴幅の制約で入力画像を再構成しようとする。 文脈予測を用いて拡散に基づく画像合成を改善するためのConPreDiffを提案する。 我々のConPreDiffは従来手法を一貫して上回り、ゼロショットFIDスコア6.21で、MS-COCO上で新たなSOTAテキスト・画像生成結果を達成する。
  論文  参考訳（メタデータ） (2024-01-04T01:10:56Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Histogram Layers for Synthetic Aperture Sonar Imagery [2.452410403088629]
  SAS画像へのヒストグラムの新たな応用について述べる。 ディープラーニングモデルにヒストグラム層を追加することで、性能が向上した。
  論文  参考訳（メタデータ） (2022-09-08T15:33:35Z)
• Iterative, Deep Synthetic Aperture Sonar Image Segmentation [21.319490900396474]
  SAS画像セグメンテーションのための非教師なし学習フレームワークIterative Deep Unsupervised (IDUS)を提案する。 IDUSは,1)ディープネットワークのクラス割り当てを推定する,2)ディープネットワークからの低レベルの画像特徴をスーパーピクセルにクラスタ化する,3)スーパーピクセルをクラス割り当てにクラスタ化する,4)ディープネットワーク予測の損失バックプロパゲーションに擬似ラベルを使用する,の4つのステップに分けることができる。 SAS画像セグメンテーションのための現実的なベンチマークデータセットにおけるIDUSと最先端手法の比較は,提案手法の利点を実証するものである。
  論文  参考訳（メタデータ） (2022-03-28T20:41:24Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Iterative, Deep, and Unsupervised Synthetic Aperture Sonar Image Segmentation [29.435946984214937]
  SAS画像セグメンテーションのための深い特徴を学習するための新しい反復的教師なしアルゴリズムを提案する。 その結果,提案手法の性能は,SAS画像分割における現在の最先端手法よりもかなり優れていることがわかった。
  論文  参考訳（メタデータ） (2021-07-30T11:37:33Z)
• UltraSR: Spatial Encoding is a Missing Key for Implicit Image Function-based Arbitrary-Scale Super-Resolution [74.82282301089994]
  本研究では,暗黙的イメージ関数に基づく,シンプルで効果的な新しいネットワーク設計であるUltraSRを提案する。 空間符号化は,次の段階の高精度暗黙的画像機能に対する欠落鍵であることを示す。 UltraSRは、すべての超解像スケールでDIV2Kベンチマークに最新のパフォーマンスを設定します。
  論文  参考訳（メタデータ） (2021-03-23T17:36:42Z)
• Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
  ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。 本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
  論文  参考訳（メタデータ） (2020-12-16T21:46:33Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。