論文の概要: Towards retrieving dispersion profiles using quantum-mimic Optical Coherence Tomography and Machine Learnin

• arxiv url: http://arxiv.org/abs/2206.02547v1
• Date: Mon, 30 May 2022 23:30:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-12 21:43:36.031728
• Title: Towards retrieving dispersion profiles using quantum-mimic Optical Coherence Tomography and Machine Learnin
• Title（参考訳）: 量子ミミック光コヒーレンストモグラフィーと機械学習による分散プロファイルの検索
• Authors: Krzysztof A. Maliszewski, Piotr Kolenderski, Varvara Vetrova, Sylwia M. Kolenderska
• Abstract要約: 量子-ミリ波光コヒーレンス・トモグラフィーの成果は、最も単純な物体であっても画像をスクランブルする。 これらは自己相関の副作用であり、この手法の背後にある量子エンタングルメント模倣アルゴリズムで使用される。 このアーチファクトと層分散のユニークな関係は、オブジェクト層の群速度分散(GVD)値を決定するために利用することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artefacts in quantum-mimic Optical Coherence Tomography are considered detrimental because they scramble the images even for the simplest objects. They are a side effect of autocorrelation which is used in the quantum entanglement mimicking algorithm behind this method. Interestingly, the autocorrelation imprints certain characteristics onto an artefact - it makes its shape and characteristics depend on the amount of dispersion exhibited by the layer that artefact corresponds to. This unique relationship between the artefact and the layer's dispersion can be used to determine Group Velocity Dispersion (GVD) values of object layers and, based on them, build a dispersion-contrasted depth profile. The retrieval of GVD profiles is achieved via Machine Learning. During training, a neural network learns the relationship between GVD and the artefacts' shape and characteristics, and consequently, it is able to provide a good qualitative representation of object's dispersion profile for never-seen-before data: computer-generated single dispersive layers and experimental pieces of glass.
• Abstract（参考訳）: 量子ミミック光コヒーレンストモグラフィの人工物は、最も単純な物体であっても画像をスクランブルするため、有害であると考えられている。 これらは自己相関の副作用であり、この手法の背後にある量子エンタングルメント模倣アルゴリズムで使用される。 興味深いことに、自己相関は、ある特徴をアーティファクトに刻印する。その形状と特性は、アーティファクトが対応する層によって示される分散の量に依存する。 このアーチファクトと層分散のユニークな関係は、オブジェクト層の群速度分散(GVD)値を決定するために利用することができ、それらに基づいて分散造影深度プロファイルを構築する。 GVDプロファイルの検索は機械学習によって行われる。 トレーニング中、ニューラルネットワークは、gvdとアーティファクトの形状と特性の関係を学習し、その結果、コンピュータ生成単一分散層とガラスの実験的なデータに対して、オブジェクトの分散プロファイルを適切に定性的に表現することができる。

関連論文リスト

• 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)
• Demonstration of Lossy Linear Transformations and Two-Photon Interference on a Photonic Chip [78.1768579844556]
  補助導波路を用いた工学的損失は,空間統計を束縛から反膨らみに逆転させることが可能であることを示す。 我々は、損失エミュレーションチャネル内の光子統計を調査し、光子偶然を観測し、量子フォトニック集積チップの設計に関する洞察を与えることができる。
  論文  参考訳（メタデータ） (2024-04-09T06:45:46Z)
• A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [55.748186000425996]
  最近の進歩は、拡散モデルが高品質な画像を生成することを示している。 我々はこの現象を階層的なデータ生成モデルで研究する。 本分析は拡散モデルにおける時間とスケールの関係を特徴付ける。
  論文  参考訳（メタデータ） (2024-02-26T19:52:33Z)
• Effects of Chromatic Dispersion on Single-Photon Temporal Wave Functions in Quantum Communications [0.0]
  量子通信における色分散が単一光子時間波関数(TWF)に与える影響について検討する。 我々は,色分散効果を緩和する際のチャープパラメータの影響を実証し,チャープおよびチャープされたガウスTWFを紹介する。 量子ビット干渉パターンに対する分散効果の相互作用を探索することにより、量子情報処理に重要な洞察を与える。
  論文  参考訳（メタデータ） (2023-12-15T19:00:06Z)
• DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model [46.68717345017946]
  ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。 意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。 提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2023-05-21T09:21:41Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• 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)
• Quantum enhanced probing of multilayered-samples [0.0]
  量子光コヒーレンストモグラフィーは、多層材料の内部構造を再構築するために、古典的でない光源に依存している。 そこで本研究では,データ後処理のための高速遺伝的アルゴリズムと組み合わせた理論モデルを用いて,複雑な多層試料の形態を抽出することに成功した。 我々の結果は、複雑な構造の実用的な高分解能プローブの開発に繋がる可能性がある。
  論文  参考訳（メタデータ） (2022-12-25T21:22:25Z)
• An Embedding-Dynamic Approach to Self-supervised Learning [8.714677279673738]
  本稿では,画像の埋め込みを点粒子として扱うとともに,モデル最適化を粒子系の動的過程として考察する。 我々の動的モデルは、類似した画像に対する魅力的な力、局所的な崩壊を避けるための局所的な分散力、そして粒子のグローバルな均質分布を達成するための大域的な分散力を組み合わせた。
  論文  参考訳（メタデータ） (2022-07-07T19:56:20Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• 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)

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。