論文の概要: Analysis of Diffractive Neural Networks for Seeing Through Random
Diffusers
- arxiv url: http://arxiv.org/abs/2205.00428v1
- Date: Sun, 1 May 2022 09:12:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 16:34:18.951300
- Title: Analysis of Diffractive Neural Networks for Seeing Through Random
Diffusers
- Title（参考訳）: ランダムディフューザを通して見る拡散型ニューラルネットワークの解析
- Authors: Yuhang Li, Yi Luo, Bijie Bai, Aydogan Ozcan
- Abstract要約: 我々は、無作為に未知の位相拡散器を拡散ニューラルネットワークで見ることのできる、コンピュータフリーで全光学イメージング方法を提案する。
異なる相関長のランダムなディフューザを画像化するために設計された様々なディフューザネットワークを解析することにより,ディフューザネットワークの画像再構成忠実度と歪み低減能力とのトレードオフが観察された。
- 参考スコア（独自算出の注目度）: 15.017918620413585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imaging through diffusive media is a challenging problem, where the existing
solutions heavily rely on digital computers to reconstruct distorted images. We
provide a detailed analysis of a computer-free, all-optical imaging method for
seeing through random, unknown phase diffusers using diffractive neural
networks, covering different deep learning-based training strategies. By
analyzing various diffractive networks designed to image through random
diffusers with different correlation lengths, a trade-off between the image
reconstruction fidelity and distortion reduction capability of the diffractive
network was observed. During its training, random diffusers with a range of
correlation lengths were used to improve the diffractive network's
generalization performance. Increasing the number of random diffusers used in
each epoch reduced the overfitting of the diffractive network's imaging
performance to known diffusers. We also demonstrated that the use of additional
diffractive layers improved the generalization capability to see through new,
random diffusers. Finally, we introduced deliberate misalignments in training
to 'vaccinate' the network against random layer-to-layer shifts that might
arise due to the imperfect assembly of the diffractive networks. These analyses
provide a comprehensive guide in designing diffractive networks to see through
random diffusers, which might profoundly impact many fields, such as biomedical
imaging, atmospheric physics, and autonomous driving.
- Abstract（参考訳）: 拡散メディアによるイメージングは難しい問題であり、既存のソリューションは歪んだ画像を再構成するためにデジタルコンピュータに大きく依存している。
本稿では,異なる深層学習に基づく学習戦略を網羅した,無作為で未知の位相拡散器を網羅するコンピュータフリー全光学イメージング手法の詳細な解析を行う。
相関長の異なるランダムディフューザによる画像形成を意図した各種ディフューザネットワークの解析により,画像再構成精度とディフューザネットワークの歪み低減能力とのトレードオフが観察された。
トレーニング中, 相関長の広いランダム拡散器を用いて, 拡散ネットワークの一般化性能を向上した。
各エポックで使用されるランダムディフューザ数の増加は、既知のディフューザに対する回折ネットワークの撮像性能の過剰化を招いた。
また,追加の拡散層を用いることで,新しいランダムディフューザを通した一般化能力が向上することを示した。
最後に, 拡散ネットワークの不完全な組立により生じる可能性のあるランダム層間シフトに対して, ネットワークを「予防接種」するためのトレーニングにおいて, 意図的なミスアライメントを導入した。
これらの分析は、ランダムディフューザを通して見るための拡散ネットワークを設計するための包括的なガイドを提供しており、バイオメディカルイメージング、大気物理学、自律運転など多くの分野に大きな影響を与える可能性がある。
関連論文リスト
- A Tunable Despeckling Neural Network Stabilized via Diffusion Equation [15.996302571895045]
ガンマノイズ除去は合成開口レーダ(SAR)イメージングの応用において重要な研究領域である。
本稿では,正規化ユニットと正規化ユニットを1つのネットワークにアンロールして,エンドツーエンドのトレーニングを行う,チューニング可能な正規化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） (2024-11-24T17:08:43Z) - Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。
実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。
我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
論文 参考訳（メタデータ） (2024-09-29T07:14:16Z) - Neural Network Parameter Diffusion [50.85251415173792]
拡散モデルは画像生成やビデオ生成において顕著な成功を収めた。
本研究は拡散モデルにも適用可能であることを示す。
高性能なニューラルネットワークパラメータを生成する。
論文 参考訳（メタデータ） (2024-02-20T16:59:03Z) - GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers [4.510838705378781]
逆散乱問題は、それらが不適切で非線形であるという事実を考えると、本質的に困難である。
本稿では、生成的対向ネットワークに依存する強力なディープラーニングに基づくアプローチを提案する。
適切に設計された高密度層からなる凝集性逆ニューラルネットワーク(INN)フレームワークが設定される。
トレーニングされたINNは、平均2進クロスエントロピー(BCE)損失が0.13ドル、構造類似度指数(SSI)が0.90ドルであることを示す。
論文 参考訳（メタデータ） (2024-02-16T17:03:08Z) - Deceptive-NeRF/3DGS: Diffusion-Generated Pseudo-Observations for High-Quality Sparse-View Reconstruction [60.52716381465063]
我々は,限られた入力画像のみを用いて,スパースビュー再構成を改善するために,Deceptive-NeRF/3DGSを導入した。
具体的には,少数視点再構成によるノイズ画像から高品質な擬似観測へ変換する,偽拡散モデルを提案する。
本システムでは,拡散生成擬似観測をトレーニング画像集合に徐々に組み込んで,スパース入力観測を5倍から10倍に高めている。
論文 参考訳（メタデータ） (2023-05-24T14:00:32Z) - 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) - DIRE for Diffusion-Generated Image Detection [128.95822613047298]
拡散再構成誤り(DIRE)という新しい表現を提案する。
DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。
DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
論文 参考訳（メタデータ） (2023-03-16T13:15:03Z) - SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。
SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。
第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文 参考訳（メタデータ） (2022-11-22T18:00:03Z) - All-optical image classification through unknown random diffusers using
a single-pixel diffractive network [13.7472825798265]
ランダムで未知の散乱媒体の背後にある物体の分類は、計算画像とマシンビジョンフィールドの難しいタスクをセットする。
近年の深層学習に基づくアプローチは、画像センサによって収集されたディフューザ歪みパターンを用いた物体の分類を実証した。
本稿では,1画素で検出されたブロードバンド照明を用いて未知の物体をランダムな位相拡散器で直接分類する全光学プロセッサを提案する。
論文 参考訳（メタデータ） (2022-08-08T08:26:08Z) - Amplitude-Phase Recombination: Rethinking Robustness of Convolutional
Neural Networks in Frequency Domain [31.182376196295365]
CNNは、トレーニング画像の高周波成分と密接に関連する局所最適値に収束する傾向にある。
現在の画像の位相スペクトルとイントラクタ画像の振幅スペクトルを再結合して設計されたデータ拡張に関する新しい視点。
論文 参考訳（メタデータ） (2021-08-19T04:04:41Z) - Misalignment Resilient Diffractive Optical Networks [14.520023891142698]
本稿では,3次元のミスアライメントと耐加工性に対する拡散ネットワークのロバスト性を大幅に向上させる新しいトレーニング手法を紹介し,実験的に実証する。
3次元の望ましくない層間ミスアライメントを光フォワードモデルにおける連続的ランダム変数としてモデル化することにより、拡散ネットワークは広い範囲のミスアライメントにわたって推論精度を維持するように訓練される。
論文 参考訳（メタデータ） (2020-05-23T04:22:48Z)
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。