論文の概要: Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines
- arxiv url: http://arxiv.org/abs/2301.04168v1
- Date: Tue, 10 Jan 2023 19:00:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 17:37:53.859724
- Title: Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines
- Title(参考訳): リカレント推論マシンを用いた重力レンズシステムにおける前景密度と背景輝度の画素再構成
- Authors: Alexandre Adam, Laurence Perreault-Levasseur, Yashar Hezaveh and Max
Welling
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 116.33694183176617
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling strong gravitational lenses in order to quantify the distortions in
the images of background sources and to reconstruct the mass density in the
foreground lenses has been a difficult computational challenge. As the quality
of gravitational lens images increases, the task of fully exploiting the
information they contain becomes computationally and algorithmically more
difficult. In this work, we use a neural network based on the Recurrent
Inference Machine (RIM) to simultaneously reconstruct an undistorted image of
the background source and the lens mass density distribution as pixelated maps.
The method iteratively reconstructs the model parameters (the image of the
source and a pixelated density map) by learning the process of optimizing the
likelihood given the data using the physical model (a ray-tracing simulation),
regularized by a prior implicitly learned by the neural network through its
training data. When compared to more traditional parametric models, the
proposed method is significantly more expressive and can reconstruct complex
mass distributions, which we demonstrate by using realistic lensing galaxies
taken from the IllustrisTNG cosmological hydrodynamic simulation.
- Abstract(参考訳): 背景画像の歪みを定量化し,前景レンズの質量密度を再構築するために,強い重力レンズをモデル化することは困難であった。
重力レンズ画像の品質が高まるにつれて、その情報を完全に活用する作業は計算的にもアルゴリズム的にも困難になる。
本研究では,リカレント推論マシン(rim)に基づくニューラルネットワークを用いて,背景音源の未修正画像とレンズ質量密度分布を同時に画素マップとして再構成する。
本発明の方法は、物理モデル(レイトレーシングシミュレーション)を用いてデータを与えられた確率を最適化する過程を学習し、トレーニングデータを介してニューラルネットワークによって暗黙的に学習された事前のモデルパラメータ(ソースの画像及び画素密度マップ)を反復的に再構成する。
従来のパラメトリックモデルと比較すると,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。
関連論文リスト
- Latent Diffusion Prior Enhanced Deep Unfolding for Spectral Image
Reconstruction [19.1301471218022]
スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。
我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
論文 参考訳(メタデータ) (2023-11-24T04:55:20Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior [0.22940141855172028]
本稿では,古典的反復法をディープラーニングアプリケーションに組み込んだ非盲検画像デコンボリューションモデルを提案する。
このアルゴリズムは、トレーニング可能な畳み込み層と統合され、復元された画像構造と詳細を強化する。
論文 参考訳(メタデータ) (2022-09-30T11:15:03Z) - DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D
Microscopic Imaging using Digital Holography [3.4635026053111484]
デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。
近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。
本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-05-25T17:13:45Z) - High-Precision Inversion of Dynamic Radiography Using Hydrodynamic
Features [3.3441584690770134]
本稿では, 時空間のラジオグラフィーから密度を復元する手法を提案する。
我々は、ラジオグラフィーで特定可能なロバストな特徴のみを用いて、ラジオグラフィーの動的シーケンスから密度場を決定する。
次に、パラメータ推定および流体力学多様体への投射過程を通じて、MLに基づく密度再構成の流体力学的整合性をさらに向上することを目的とする。
論文 参考訳(メタデータ) (2021-12-02T22:36:00Z) - Physics-Driven Learning of Wasserstein GAN for Density Reconstruction in
Dynamic Tomography [4.970364068620608]
本研究では, ノイズ密度再構成において, 深層ニューラルネットワークが人工物除去を行う能力を示す。
We use a Wasserstein generative adversarial network (WGAN) ここでは、ジェネレータが従来の再構成アルゴリズムから得られた密度のアーチファクトを除去するデノイザとして機能する。
予備的な数値計算により,我々のフレームワークで訓練したモデルでは,密度時系列データにおいて未知のノイズのかなりの部分を取り除くことができることがわかった。
論文 参考訳(メタデータ) (2021-10-28T20:23:06Z) - Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。
この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
論文 参考訳(メタデータ) (2021-09-28T20:22:44Z) - Uncalibrated Neural Inverse Rendering for Photometric Stereo of General
Surfaces [103.08512487830669]
本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。
既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。
本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
論文 参考訳(メタデータ) (2020-12-12T10:33:08Z) - SIR: Self-supervised Image Rectification via Seeing the Same Scene from
Multiple Different Lenses [82.56853587380168]
本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。
我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。
本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
論文 参考訳(メタデータ) (2020-11-30T08:23:25Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳(メタデータ) (2020-07-21T11:48:22Z)
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。