論文の概要: Learned Interferometric Imaging for the SPIDER Instrument

• arxiv url: http://arxiv.org/abs/2301.10260v1
• Date: Tue, 24 Jan 2023 19:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-26 16:31:07.951644
• Title: Learned Interferometric Imaging for the SPIDER Instrument
• Title（参考訳）: SPIDER機器における干渉画像の学習
• Authors: Matthijs Mars, Marta M. Betcke, Jason D. McEwen
• Abstract要約: 本稿では,SPIDER計測装置による画像再構成のための2つのデータ駆動手法を提案する。 ディープラーニングは、トレーニングデータから事前情報を学習し、再構築品質を高め、計算時間を著しく短縮するために使用される。 これらの手法は、天文画像などのトレーニングデータが不足している領域にも適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 5.189223681963735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Segmented Planar Imaging Detector for Electro-Optical Reconnaissance (SPIDER) is an optical interferometric imaging device that aims to offer an alternative to the large space telescope designs of today with reduced size, weight and power consumption. This is achieved through interferometric imaging. State-of-the-art methods for reconstructing images from interferometric measurements adopt proximal optimization techniques, which are computationally expensive and require handcrafted priors. In this work we present two data-driven approaches for reconstructing images from measurements made by the SPIDER instrument. These approaches use deep learning to learn prior information from training data, increasing the reconstruction quality, and significantly reducing the computation time required to recover images by orders of magnitude. Reconstruction time is reduced to ${\sim} 10$ milliseconds, opening up the possibility of real-time imaging with SPIDER for the first time. Furthermore, we show that these methods can also be applied in domains where training data is scarce, such as astronomical imaging, by leveraging transfer learning from domains where plenty of training data are available.
• Abstract（参考訳）: spider(segmented planar imaging detector for electro-optical reconnaissance for electro-optical reconnaissance)は、現在の大型宇宙望遠鏡の代替として、大きさ、重量、消費電力の削減を目的とした光学干渉イメージングデバイスである。 これは干渉イメージングによって達成される。 干渉計測による画像再構成の最先端手法は、計算コストが高く手作りの先行技術を必要とする近位最適化技術を採用している。 本研究では,SPIDER計測器を用いて画像再構成を行う2つの手法を提案する。 これらのアプローチでは、ディープラーニングを使用してトレーニングデータから事前情報を学習し、復元品質を高め、画像の復元に要する計算時間を格段に削減する。 復元時間は${\sim} 10$ミリ秒に短縮され、初めてSPIDERによるリアルタイムイメージングが可能になった。 さらに,天文画像などのトレーニングデータが少ない領域でも,十分なトレーニングデータが得られる領域からの転送学習を活用することで,これらの手法を適用できることを示す。

関連論文リスト

• Image Restoration with Point Spread Function Regularization and Active Learning [5.575847437953924]
  大規模な天文学的な調査では、銀河や星雲を含む多数の天体の画像を捉えることができる。 様々なノイズレベルと点拡散関数は、これらの画像から情報抽出の精度と効率を損なう。 深層学習に基づく復元アルゴリズムと高忠実度望遠鏡シミュレータを接続する新しい画像復元アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-31T23:16:26Z)
• A Deep Learning Approach for SAR Tomographic Imaging of Forested Areas [10.477070348391079]
  我々は,1つのフィードフォワードパスでトモグラフィインバージョンを実行するために,軽量ニューラルネットワークをトレーニング可能であることを示す。 我々は、シミュレーションデータを用いてエンコーダ・デコーダネットワークを訓練し、実LバンドとPバンドのデータに基づいてその手法を検証する。
  論文  参考訳（メタデータ） (2023-01-20T14:34:03Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Data augmentation for deep learning based accelerated MRI reconstruction with limited data [46.44703053411933]
  ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。 最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。 本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
  論文  参考訳（メタデータ） (2021-06-28T19:08:46Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Real-time Non-line-of-sight Imaging with Two-step Deep Remapping [0.0]
  非視線(NLOS)イメージングは、間接光を考慮に入れます。 ほとんどのソリューションは過渡走査プロセスを使用し、続いてNLOSシーンを再構築するためのバックプロジェクションベースのアルゴリズムが続く。 ここでは、上記の欠陥に対処する新しいNLOSソリューションを提案し、検出装置と再構成アルゴリズムの両方に革新をもたらす。
  論文  参考訳（メタデータ） (2021-01-26T00:08:54Z)
• AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from Sparse Data [1.7237160821929758]
  光音響イメージングは、従来の光学イメージング技術よりもはるかに大きな深さでの光吸収の高コントラスト画像を得ることができる。 本稿では,スパースPA生データをニューラルネットワークに適したものにするために,新しい信号処理手法を提案する。 次に,多機能核融合を用いたPA再構成のためのアテンションステアリングネットワーク(AS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T03:49:30Z)
• Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
  ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。 我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-07-08T21:38:29Z)
• BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
  画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。 提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-03-11T17:09:12Z)

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。