論文の概要: Towards Practical Single-shot Phase Retrieval with Physics-Driven Deep Neural Network

• arxiv url: http://arxiv.org/abs/2208.08604v1
• Date: Thu, 18 Aug 2022 02:51:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-19 13:17:06.551171
• Title: Towards Practical Single-shot Phase Retrieval with Physics-Driven Deep Neural Network
• Title（参考訳）: 物理駆動型ディープニューラルネットワークによる単発位相検索の実現に向けて
• Authors: Qiuliang Ye, Li-Wen Wang, Daniel Pak-Kong Lun
• Abstract要約: PPRNetと呼ばれる新しい物理駆動型マルチスケール構造を提案する。 従来の物理駆動型PRアプローチよりもはるかに高速で精度が高い。 その結果,従来の学習型PR手法よりもPPRNetの方が優れていることを示す。
• 参考スコア（独自算出の注目度）: 23.001154546189355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phase retrieval (PR), a long-established challenge for recovering a complex-valued signal from its Fourier intensity-only measurements, has attracted considerable attention due to its widespread applications in digital imaging. Recently, deep learning-based approaches were developed that achieved some success in single-shot PR. These approaches require a single Fourier intensity measurement without the need to impose any additional constraints on the measured data. Nevertheless, vanilla deep neural networks (DNN) do not give good performance due to the substantial disparity between the input and output domains of the PR problems. Physics-informed approaches try to incorporate the Fourier intensity measurements into an iterative approach to increase the reconstruction accuracy. It, however, requires a lengthy computation process, and the accuracy still cannot be guaranteed. Besides, many of these approaches work on simulation data that ignore some common problems such as saturation and quantization errors in practical optical PR systems. In this paper, a novel physics-driven multi-scale DNN structure dubbed PPRNet is proposed. Similar to other deep learning-based PR methods, PPRNet requires only a single Fourier intensity measurement. It is physics-driven that the network is guided to follow the Fourier intensity measurement at different scales to enhance the reconstruction accuracy. PPRNet has a feedforward structure and can be end-to-end trained. Thus, it is much faster and more accurate than the traditional physics-driven PR approaches. Extensive simulations and experiments on a practical optical platform were conducted. The results demonstrate the superiority and practicality of the proposed PPRNet over the traditional learning-based PR methods.
• Abstract（参考訳）: フーリエ強度のみの測定値から複素値信号を取り出すための長年の挑戦である位相検索(pr)は、デジタルイメージングに広く応用されているため、注目を集めている。 近年,シングルショットPRである程度の成功を収めたディープラーニングベースのアプローチが開発されている。 これらのアプローチでは、測定データに追加の制約を課すことなく、単一のフーリエ強度測定が必要である。 それでも、バニラディープニューラルネットワーク(DNN)は、PR問題の入力領域と出力領域の間にかなりの差異があるため、性能が良くない。 物理インフォームドアプローチは、フーリエ強度測定を反復的なアプローチに組み込んで再構成精度を向上させる。 しかし、長い計算処理を必要とするため、精度は保証できない。 さらに、これらのアプローチの多くは、実用的な光学PRシステムにおける飽和や量子化誤差などの一般的な問題を無視するシミュレーションデータに取り組んでいる。 本稿ではPPRNetと呼ばれる物理駆動型マルチスケールDNN構造を提案する。 他のディープラーニングベースのPR手法と同様に、PPRNetは単一のフーリエ強度測定のみを必要とする。 ネットワークは、異なるスケールでのフーリエ強度測定に従って、再構成精度を高めるように誘導される。 PPRNetはフィードフォワード構造を持ち、エンドツーエンドでトレーニングできる。 したがって、従来の物理駆動のprアプローチよりもはるかに高速で正確である。 実用的な光学プラットフォームに関する広範なシミュレーションと実験が行われた。 その結果,従来の学習型PR手法よりもPPRNetの方が優れていることを示す。

関連論文リスト

• Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
  本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。 我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。 提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
  論文  参考訳（メタデータ） (2024-06-20T15:25:13Z)
• PRISTA-Net: Deep Iterative Shrinkage Thresholding Network for Coded Diffraction Patterns Phase Retrieval [6.982256124089]
  位相検索は、計算画像および画像処理における非線型逆問題である。 我々は,1次反復しきい値しきい値アルゴリズム(ISTA)に基づく深層展開ネットワークであるPRISTA-Netを開発した。 非線形変換,しきい値,ステップサイズなど,提案するPRISTA-Netフレームワークのパラメータはすべて,設定されるのではなく,エンドツーエンドで学習される。
  論文  参考訳（メタデータ） (2023-09-08T07:37:15Z)
• Untrained neural network embedded Fourier phase retrieval from few measurements [8.914156789222266]
  本稿では、FPRを少ない測定値で解くために、未学習のニューラルネットワーク埋め込みアルゴリズムを提案する。 再生する画像を表すために生成ネットワークを使用し、ネットワーク構造によって定義された空間に画像を閉じ込める。 未学習NNのパラメータ更新に起因した計算コストを削減するため,明示的正規化と暗黙的正規化を適応的に切り離す高速化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-07-16T16:23:50Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Deep reinforcement learning for quantum multiparameter estimation [0.0]
  本研究では,現実的なベイズ量子力学タスクを実現するためのモデルフリーでディープラーニングに基づくアプローチを提案する。 我々は,標準手法よりも高い推定性能の達成を実験的に証明した。
  論文  参考訳（メタデータ） (2022-09-01T18:01:56Z)
• SiPRNet: End-to-End Learning for Single-Shot Phase Retrieval [8.820823270160695]
  畳み込みニューラルネットワーク(CNN)は、様々な画像再構成タスクにおいて重要な役割を果たしている。 本稿では,1つのフーリエ強度測定から信号を取得するために,SiPRNetという新しいCNN構造を設計する。 提案手法は、シングルショットマスクレス位相検索において、他のCNNおよび従来の最適化手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-05-23T16:24:52Z)
• Win the Lottery Ticket via Fourier Analysis: Frequencies Guided Network Pruning [50.232218214751455]
  最適ネットワークプルーニングは、数学的にはNPハード問題である非自明なタスクである。 本稿では,MBP(Magnitude-Based Pruning)方式について検討し,新しい視点から解析する。 また,新たな2段階プルーニング手法を提案し,その1段階はプルーニングネットワークのトポロジ的構造を取得し,もう1段階はプルーニングネットワークを再訓練し,キャパシティを回復させる。
  論文  参考訳（メタデータ） (2022-01-30T03:42:36Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• DeepPhaseCut: Deep Relaxation in Phase for Unsupervised Fourier Phase Retrieval [31.380061715549584]
  本稿では、フーリエ位相探索のための新しい、教師なしフィードフォワードニューラルネットワークを提案する。 ニューラルネットワークを正規化用語や、教師付きトレーニングのためのエンドツーエンドのブラックボックスモデルとして使用している既存のディープラーニングアプローチとは異なり、我々のアルゴリズムは、教師なし学習フレームワークにおけるPhaseCutアルゴリズムのフィードフォワードニューラルネットワーク実装である。 我々のネットワークは2つの生成器で構成されている: 1つは位相損失を用いた位相推定用で、もう1つは画像再構成用で、これらは全て一致したデータを持たないCycleGANフレームワークを用いて同時に訓練されている。
  論文  参考訳（メタデータ） (2020-11-20T16:10:08Z)
• Distance-Based Regularisation of Deep Networks for Fine-Tuning [116.71288796019809]
  我々は,仮説クラスを,初期訓練前の重みを中心にした小さな球面に制約するアルゴリズムを開発した。 実験的な評価は、我々のアルゴリズムがうまく機能していることを示し、理論的な結果を裏付けるものである。
  論文  参考訳（メタデータ） (2020-02-19T16:00:47Z)

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。