論文の概要: Deep Injective Prior for Inverse Scattering
- arxiv url: http://arxiv.org/abs/2301.03092v1
- Date: Sun, 8 Jan 2023 19:05:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 18:31:37.349444
- Title: Deep Injective Prior for Inverse Scattering
- Title(参考訳): 逆散乱に対する深い噴射前処理
- Authors: AmirEhsan Khorashadizadeh, Sepehr Eskandari, Vahid Khorashadi-Zadeh,
Ivan Dokmani\'c
- Abstract要約: 電磁的逆散乱では、散乱波から物体の誘電率を再構成することを目的としている。
ディープラーニングは、従来の反復的解決法に代わる有望な選択肢だ。
深部生成モデルに基づく逆散乱のための新しいデータ駆動フレームワークを提案する。
- 参考スコア(独自算出の注目度): 18.598311270757527
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In electromagnetic inverse scattering, we aim to reconstruct object
permittivity from scattered waves. Deep learning is a promising alternative to
traditional iterative solvers, but it has been used mostly in a supervised
framework to regress the permittivity patterns from scattered fields or
back-projections. While such methods are fast at test-time and achieve good
results for specific data distributions, they are sensitive to the distribution
drift of the scattered fields, common in practice. If the distribution of the
scattered fields changes due to changes in frequency, the number of
transmitters and receivers, or any other real-world factor, an end-to-end
neural network must be re-trained or fine-tuned on a new dataset. In this
paper, we propose a new data-driven framework for inverse scattering based on
deep generative models. We model the target permittivities by a low-dimensional
manifold which acts as a regularizer and learned from data. Unlike supervised
methods which require both scattered fields and target signals, we only need
the target permittivities for training; it can then be used with any
experimental setup. We show that the proposed framework significantly
outperforms the traditional iterative methods especially for strong scatterers
while having comparable reconstruction quality to state-of-the-art deep
learning methods like U-Net.
- Abstract(参考訳): 電磁的逆散乱では、散乱波から物体の誘電率を再構成する。
ディープラーニングは従来の反復解法に代わる有望な代替手段であるが、主に、散在するフィールドやバックプロジェクションから誘電率パターンを回帰するために、教師付きフレームワークとして使用されている。
このような方法はテスト時に高速であり、特定のデータ分布に対して良好な結果が得られるが、実際には散在するフィールドの分布流に敏感である。
散乱したフィールドの分布が周波数の変化、送信機と受信機の数、その他の現実世界の要素によって変化した場合、エンドツーエンドのニューラルネットワークは、新しいデータセットで再トレーニングまたは微調整されなければならない。
本稿では,深部生成モデルに基づく逆散乱のための新しいデータ駆動フレームワークを提案する。
対象の誘電率を正規化器として作用し,データから学習する低次元多様体によってモデル化する。
散乱フィールドとターゲット信号の両方を必要とする教師付きメソッドとは異なり、トレーニングにはターゲットの誘電率のみが必要であり、実験的な設定で使用できる。
提案手法は,U-Netのような最先端の深層学習手法に匹敵する再現性を持ちながら,特に強力な散乱器において従来の反復手法よりも優れていることを示す。
関連論文リスト
- Distributed Markov Chain Monte Carlo Sampling based on the Alternating
Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。
我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。
シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文 参考訳(メタデータ) (2024-01-29T02:08:40Z) - Unsupervised Discovery of Interpretable Directions in h-space of
Pre-trained Diffusion Models [63.1637853118899]
本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。
我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。
それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
論文 参考訳(メタデータ) (2023-10-15T18:44:30Z) - Debias the Training of Diffusion Models [53.49637348771626]
本研究では,拡散モデルにおいて一定の損失重み戦略を用いることで,トレーニング期間中に偏りが生じるという理論的証拠を提供する。
理論的に偏りのない原理に基づくエレガントで効果的な重み付け戦略を提案する。
これらの分析は、拡散モデルの内部動作の理解とデミステレーションを促進することが期待されている。
論文 参考訳(メタデータ) (2023-10-12T16:04:41Z) - Implicit Variational Inference for High-Dimensional Posteriors [7.924706533725115]
変分推論において、ベイズモデルの利点は、真の後続分布を正確に捉えることに依存する。
複雑な多重モーダルおよび相関後部を近似するのに適した暗黙分布を特定するニューラルサンプリング手法を提案する。
提案手法では,ニューラルネットワークを局所的に線形化することにより,暗黙分布を用いた近似推論の新たなバウンダリを導入する。
論文 参考訳(メタデータ) (2023-10-10T14:06:56Z) - Observation-Guided Diffusion Probabilistic Models [45.60819186624553]
観測誘導拡散確率モデル(OGDM)と呼ばれる新しい拡散モデルを提案する。
本手法は,観測プロセスの指導をマルコフ連鎖と統合することにより,トレーニング目標を再構築する。
本研究では,強い拡散モデルベースラインに対する多種多様な推論手法を用いた学習アルゴリズムの有効性を示す。
論文 参考訳(メタデータ) (2023-10-06T06:29:06Z) - Improved sampling via learned diffusions [9.518010235273783]
近年,非正規化対象密度からの深層学習に基づくアプローチが提案されている。
本研究では,これらの手法をシュリンガー橋問題(Schr"odinger bridge problem)の特別な場合とみなす。
我々は、時間反転拡散過程の経路空間測度間のばらつきに基づく変分定式化を導入することにより、この枠組みを一般化する。
論文 参考訳(メタデータ) (2023-07-03T17:58:26Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳(メタデータ) (2023-04-10T17:54:38Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳(メタデータ) (2021-12-05T04:36:09Z)
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。