Fugu-MT 論文翻訳(概要): Denoising and feature extraction in photoemission spectra with variational auto-encoder neural networks

論文の概要: Denoising and feature extraction in photoemission spectra with variational auto-encoder neural networks

arxiv url: http://arxiv.org/abs/2203.07537v1
Date: Mon, 14 Mar 2022 22:46:09 GMT
ステータス: 処理完了
システム内更新日: 2022-03-17 10:49:41.607905
Title: Denoising and feature extraction in photoemission spectra with variational auto-encoder neural networks
Title（参考訳）: 可変オートエンコーダニューラルネットワークを用いた光電子分光のノイズ除去と特徴抽出
Authors: Francisco Restrepo, Junjing Zhao, Utpal Chatterjee
Abstract要約: 本研究では, ARPES分散マップからの特徴抽出だけでなく, MLを用いる可能性を示すために, 浅部変分オートエンコーダ(VAE)ニューラルネットワークを用いる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, distinct machine learning (ML) models have been separately used for feature extraction and noise reduction from energy-momentum dispersion intensity maps obtained from raw angle-resolved photoemission spectroscopy (ARPES) data. In this work, we employ a shallow variational auto-encoder (VAE) neural network to demonstrate the prospect of using ML for both denoising of as well as feature extraction from ARPES dispersion maps.
Abstract（参考訳）: 近年,arpes(raw angle-resolved photoemission spectroscopy)データから得られたエネルギー・運動分散強度マップから特徴抽出とノイズ低減のために,機械学習(ml)モデルが別々に用いられている。本研究では, ARPES分散マップからの特徴抽出だけでなく, MLを用いる可能性を示すために, 浅部変分オートエンコーダ(VAE)ニューラルネットワークを用いる。

関連論文リスト

Any-Resolution AI-Generated Image Detection by Spectral Learning [36.562914181733426]
我々は、実画像のスペクトル分布が、AI生成画像検出のための不変パターンと高識別パターンの両方を構成するというキーとなる考え方を構築した。提案手法は, これまでの13の世代的アプローチと比較して, AUCの絶対的な改善を5.5%達成している。
論文参考訳（メタデータ） (2024-11-28T23:55:19Z)
Application of RESNET50 Convolution Neural Network for the Extraction of Optical Parameters in Scattering Media [4.934656140862609]
我々はモンテカルロシミュレーションに基づくシミュレーションデータを用いて汎用畳み込みニューラルネットワークRESNET 50を訓練する。私たちのアプローチでは、以前の作業と比較すると、はるかに小さなデータセットでトレーニングすることで、同等か、あるいはより優れた再構築の精度が得られます。
論文参考訳（メタデータ） (2024-04-25T14:36:00Z)
Hyperspectral Image Denoising via Self-Modulating Convolutional Neural Networks [15.700048595212051]
相関スペクトルと空間情報を利用した自己変調畳み込みニューラルネットワークを提案する。モデルの中心には新しいブロックがあり、隣り合うスペクトルデータに基づいて、ネットワークが適応的に特徴を変換することができる。合成データと実データの両方の実験解析により,提案したSM-CNNは,他の最先端HSI復調法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-09-15T06:57:43Z)
Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文参考訳（メタデータ） (2023-05-15T20:24:38Z)
Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文参考訳（メタデータ） (2022-09-26T03:28:23Z)
Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文参考訳（メタデータ） (2022-08-01T19:18:26Z)
SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文参考訳（メタデータ） (2022-06-09T14:00:26Z)
Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文参考訳（メタデータ） (2021-11-17T12:54:48Z)
Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。スペクトルct材料分解の数値的および実験的結果を示す。
論文参考訳（メタデータ） (2021-03-25T15:20:10Z)
Noise Reduction in X-ray Photon Correlation Spectroscopy with Convolutional Neural Networks Encoder-Decoder Models [0.0]
2時間相関関数における信号対雑音比を改善するための計算手法を提案する。 CNN-EDモデルは、畳み込みニューラルネットワークデコーダ(CNN-ED)モデルに基づいている。実世界の実験データに基づいて訓練されたCNN-EDモデルにより,2時間相関関数から平衡力学パラメータを効果的に抽出できることが実証された。
論文参考訳（メタデータ） (2021-02-07T18:38:59Z)
Differentiable Programming for Hyperspectral Unmixing using a Physics-based Dispersion Model [9.96234892716562]
本稿では、スペクトル変動を物理に基づくアプローチから考慮し、エンドツーエンドのスペクトルアンミックスアルゴリズムに組み込む。畳み込みニューラルネットワークを用いた逆レンダリング技術を導入し、トレーニングデータが利用可能な場合のパフォーマンスと速度を向上させる。結果は、赤外線と近赤外(VNIR)データセットの両方で最先端を達成する。
論文参考訳（メタデータ） (2020-07-12T14:16:35Z)

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。