論文の概要: Weak-signal extraction enabled by deep-neural-network denoising of diffraction data

• arxiv url: http://arxiv.org/abs/2209.09247v3
• Date: Mon, 11 Dec 2023 20:35:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 21:04:10.325589
• Title: Weak-signal extraction enabled by deep-neural-network denoising of diffraction data
• Title（参考訳）: 回折データの深層ニューラルネットワークによる弱信号抽出
• Authors: Jens Oppliger, M. Michael Denner, Julia K\"uspert, Ruggero Frison, Qisi Wang, Alexander Morawietz, Oleh Ivashko, Ann-Christin Dippel, Martin von Zimmermann, Izabela Bia{\l}o, Leonardo Martinelli, Beno\^it Fauqu\'e, Jaewon Choi, Mirian Garcia-Fernandez, Ke-Jin Zhou, Niels B. Christensen, Tohru Kurosawa, Naoki Momono, Migaku Oda, Fabian D. Natterer, Mark H. Fischer, Titus Neupert, Johan Chang
• Abstract要約: 深層畳み込みニューラルネットワークを用いて、データの復号化を図示する。 ノイズの多いデータでは、電荷の順序から生じる弱信号が可視化され、精度が向上することを示す。
• 参考スコア（独自算出の注目度）: 26.36525764239897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Removal or cancellation of noise has wide-spread applications for imaging and acoustics. In every-day-life applications, denoising may even include generative aspects, which are unfaithful to the ground truth. For scientific use, however, denoising must reproduce the ground truth accurately. Here, we show how data can be denoised via a deep convolutional neural network such that weak signals appear with quantitative accuracy. In particular, we study X-ray diffraction on crystalline materials. We demonstrate that weak signals stemming from charge ordering, insignificant in the noisy data, become visible and accurate in the denoised data. This success is enabled by supervised training of a deep neural network with pairs of measured low- and high-noise data. We demonstrate that using artificial noise does not yield such quantitatively accurate results. Our approach thus illustrates a practical strategy for noise filtering that can be applied to challenging acquisition problems.
• Abstract（参考訳）: ノイズの除去やキャンセルは、画像や音響に広く応用されている。 日常のアプリケーションでは、デノイジングは根底の真実に不利な生成的な側面さえ含んでいる可能性がある。 しかし、科学的に利用するためには、真理を正確に再現する必要がある。 本稿では,弱い信号が定量的な精度で現れるように,深い畳み込みニューラルネットワークを用いてデータを分節化する方法を示す。 特に結晶材料のX線回折について検討する。 本研究では,ノイズデータにおける電荷秩序に起因する弱信号の可視性と正確性を示す。 この成功は、測定された低ノイズデータと高ノイズデータのペアによるディープニューラルネットワークの教師付きトレーニングによって実現される。 人工雑音は, 定量的に正確な結果が得られないことを示す。 提案手法は,難解な取得問題に適用可能なノイズフィルタリングの実践的戦略を示すものである。

関連論文リスト

• Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
  簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。 ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T14:19:36Z)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Transfer learning for self-supervised, blind-spot seismic denoising [0.0]
  本研究では、関心のフィールドデータセットに自己教師付きで微調整を行う前に、フリグリ生成された合成データセット上でネットワークを初期的に教師付きで訓練することを提案する。 ピーク信号-雑音比の変化やノイズの低減,信号漏れの観測などを考慮すると,教師付きベーストレーニングによる重み付けによる自己教師ネットワークの初期化のメリットは明らかである。
  論文  参考訳（メタデータ） (2022-09-25T12:58:10Z)
• Removing Noise from Extracellular Neural Recordings Using Fully Convolutional Denoising Autoencoders [62.997667081978825]
  ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。 シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-18T14:51:24Z)
• The potential of self-supervised networks for random noise suppression in seismic data [0.0]
  ブラインド・スポット・ネットワークは地震データにおけるランダムノイズの効率的な抑制効果を示す。 結果は、FXデコンボリューションとCurvelet変換という2つの一般的なランダムな復調手法と比較される。 これは、地震の応用における自己教師あり学習の活用の始まりにすぎないと我々は信じている。
  論文  参考訳（メタデータ） (2021-09-15T14:57:43Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Deep learning-based statistical noise reduction for multidimensional spectral data [3.0396858935319724]
  我々は,ディープラーニングを制約を克服するインテリジェントな方法として活用する認知的手法を実証する。 我々は,2桁の取得時間で取得したデータに対して,デノナイジングニューラルネットワークによって同様の2次微分および線形状解析を行うことができることを示した。
  論文  参考訳（メタデータ） (2021-07-02T05:37:16Z)
• Joint self-supervised blind denoising and noise estimation [0.0]
  2つのニューラルネットワークが共同でクリーンシグナルを予測し、ノイズ分布を推定する。 本モデルがノイズ分布を効率的に捉える合成ノイズデータを用いた実証実験を行います。
  論文  参考訳（メタデータ） (2021-02-16T08:37:47Z)
• Adaptive noise imitation for image denoising [58.21456707617451]
  本研究では,自然雑音画像からノイズデータを合成できる新しいテキストバッファ適応ノイズ模倣(ADANI)アルゴリズムを開発した。 現実的なノイズを生成するため、ノイズ発生装置はノイズ発生のガイドとなる雑音/クリーン画像を入力として利用する。 ADANIから出力されるノイズデータとそれに対応する基盤構造とを結合すると、デノイングCNNは、完全に教師された方法で訓練される。
  論文  参考訳（メタデータ） (2020-11-30T02:49:36Z)

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。