Fugu-MT 論文翻訳(概要): A Note on Machine Learning Approach for Computational Imaging

論文の概要: A Note on Machine Learning Approach for Computational Imaging

arxiv url: http://arxiv.org/abs/2202.11883v1
Date: Thu, 24 Feb 2022 03:28:24 GMT
ステータス: 処理完了
システム内更新日: 2022-02-26 04:44:12.595197
Title: A Note on Machine Learning Approach for Computational Imaging
Title（参考訳）: 計算機イメージングのための機械学習手法に関する一考察
Authors: Bin Dong
Abstract要約: 計算画像のための機械学習アプローチの最近の展開について概説する。両アプローチの知恵をどのように組み合わせるかを実証し、そのような組み合わせのメリットと可能性について議論し、それがもたらす新しい計算的および理論的課題を提示する。
参考スコア（独自算出の注目度）: 8.21204894633426
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computational imaging has been playing a vital role in the development of natural sciences. Advances in sensory, information, and computer technologies have further extended the scope of influence of imaging, making digital images an essential component of our daily lives. For the past three decades, we have witnessed phenomenal developments of mathematical and machine learning methods in computational imaging. In this note, we will review some of the recent developments of the machine learning approach for computational imaging and discuss its differences and relations to the mathematical approach. We will demonstrate how we may combine the wisdom from both approaches, discuss the merits and potentials of such a combination and present some of the new computational and theoretical challenges it brings about.
Abstract（参考訳）: 計算イメージングは自然科学の発展において重要な役割を担っている。感覚、情報、コンピュータ技術の進歩により、画像の影響範囲が拡大し、デジタル画像が私たちの日常生活の重要な要素となった。過去30年間、我々は計算画像における数学的および機械学習手法の驚くべき発展を目撃してきた。本稿では,数値イメージングのための機械学習手法の最近の展開を概観し,その相違点と数学的アプローチとの関係について考察する。両アプローチの知恵をどのように組み合わせるかを実証し、そのような組み合わせのメリットと可能性について議論し、それがもたらす新しい計算的および理論的課題を提示する。

関連論文リスト

Integration and Performance Analysis of Artificial Intelligence and Computer Vision Based on Deep Learning Algorithms [5.734290974917728]
本稿では,ディープラーニングとコンピュータビジョン技術の統合による応用効果の分析に焦点をあてる。ディープラーニングは階層型ニューラルネットワークを構築することで歴史的なブレークスルーを実現し、エンドツーエンドの機能学習と画像の意味的理解を可能にする。コンピュータビジョンの分野で成功した経験は、ディープラーニングアルゴリズムのトレーニングに強力なサポートを提供する。
論文参考訳（メタデータ） (2023-12-20T09:37:06Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Exploring the Power of Generative Deep Learning for Image-to-Image Translation and MRI Reconstruction: A Cross-Domain Review [0.0]
本研究は,自然画像領域と医用画像領域における画像から画像への変換と再構成に使用される深層学習手法について分析する。自然コンピュータビジョンの分野では、様々なディープラーニング生成モデルの開発と拡張について検討する。本稿では, 医用画像翻訳, MRI再構成, マルチコントラストMRI合成などの医療画像生成問題に対する深層学習の可能性について検討する。
論文参考訳（メタデータ） (2023-03-16T00:56:30Z)
Analog Photonics Computing for Information Processing, Inference and Optimisation [0.0]
フォトニクスコンピューティングの現状を概観する。光子、物質と結合した光子、および効率的な計算目的のために光学関連技術を使用する。
論文参考訳（メタデータ） (2023-01-27T14:58:22Z)
A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文参考訳（メタデータ） (2022-12-20T18:46:16Z)
Computational imaging with the human brain [1.614301262383079]
脳コンピュータインタフェース(BCI)は、人間の能力を増強するための様々な新しい可能性と経路を可能にしている。本研究では,人間の視覚システムと適応型計算画像システムを組み合わせた隠れシーンのゴーストイメージングを実演する。この脳とコンピュータの接続は、将来的に人間の視覚の知覚範囲を拡大する、強化された人間の計算の形式を示している。
論文参考訳（メタデータ） (2022-10-07T08:40:18Z)
Foundations and Recent Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions [68.6358773622615]
本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
論文参考訳（メタデータ） (2022-09-07T19:21:19Z)
Physics Embedded Machine Learning for Electromagnetic Data Imaging [83.27424953663986]
電磁法(EM)イメージングは、セキュリティ、バイオメディシン、地球物理学、各種産業のセンシングに広く応用されている。機械学習(ML)技術,特に深層学習(DL)技術は,高速かつ正確な画像化の可能性を秘めている。本稿では、学習に基づくEMイメージングに物理を取り入れる様々なスキームについて検討する。
論文参考訳（メタデータ） (2022-07-26T02:10:15Z)
Photonics for artificial intelligence and neuromorphic computing [52.77024349608834]
フォトニック集積回路は超高速な人工ニューラルネットワークを可能にした。フォトニックニューロモルフィックシステムはナノ秒以下のレイテンシを提供する。これらのシステムは、機械学習と人工知能の需要の増加に対応する可能性がある。
論文参考訳（メタデータ） (2020-10-30T21:41:44Z)
State of the Art on Neural Rendering [141.22760314536438]
我々は,古典的コンピュータグラフィックス技術と深層生成モデルを組み合わせることで,制御可能かつフォトリアリスティックな出力を得るアプローチに焦点をあてる。本報告は,新しいビュー合成,セマンティック写真操作,顔と身体の再現,リライティング,自由視点ビデオ,バーチャルおよび拡張現実テレプレゼンスのためのフォトリアリスティックアバターの作成など,記述されたアルゴリズムの多くの重要なユースケースに焦点をあてる。
論文参考訳（メタデータ） (2020-04-08T04:36:31Z)

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。