論文の概要: A Direct Sampling-Based Deep Learning Approach for Inverse Medium
Scattering Problems
- arxiv url: http://arxiv.org/abs/2305.00250v1
- Date: Sat, 29 Apr 2023 12:29:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:23:29.869226
- Title: A Direct Sampling-Based Deep Learning Approach for Inverse Medium
Scattering Problems
- Title(参考訳): 逆中散乱問題に対する直接サンプリングに基づく深層学習手法
- Authors: Jianfeng Ning, Fuqun Han and Jun Zou
- Abstract要約: 非均一な散乱体を再構成するための新しい直接サンプリングベースディープラーニング手法(DSM-DL)を提案する。
提案するDSM-DLは,計算効率が高く,ノイズに耐性があり,実装が容易で,自然に複数の計測データを組み込むことができる。
- 参考スコア(独自算出の注目度): 3.776050336003086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we focus on the inverse medium scattering problem (IMSP), which
aims to recover unknown scatterers based on measured scattered data. Motivated
by the efficient direct sampling method (DSM) introduced in [23], we propose a
novel direct sampling-based deep learning approach (DSM-DL)for reconstructing
inhomogeneous scatterers. In particular, we use the U-Net neural network to
learn the relation between the index functions and the true contrasts. Our
proposed DSM-DL is computationally efficient, robust to noise, easy to
implement, and able to naturally incorporate multiple measured data to achieve
high-quality reconstructions. Some representative tests are carried out with
varying numbers of incident waves and different noise levels to evaluate the
performance of the proposed method. The results demonstrate the promising
benefits of combining deep learning techniques with the DSM for IMSP.
- Abstract(参考訳): 本研究では,計測された散乱データに基づいて未知の散乱器を回収することを目的とした逆媒質散乱問題(imsp)に着目する。
23]で導入された効率的な直接サンプリング法(dsm)に動機づけられ,不均質な散乱器を再構成する新しい直接サンプリング型深層学習法(dsm-dl)を提案する。
特に、u-netニューラルネットワークを用いて、インデックス関数と真のコントラストの関係を学習する。
提案するdsm-dlは, 計算効率が高く, 雑音に頑健であり, 実装が容易であり, 高品質な再構築を実現するために複数の計測データを自然に組み込むことができる。
提案手法の性能を評価するため, 各種入射波数, 騒音レベルの異なる代表実験を行った。
その結果,深層学習技術とDSM for IMSPの併用による有望なメリットが示された。
関連論文リスト
- 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) - Generative Approach for Probabilistic Human Mesh Recovery using
Diffusion Models [33.2565018922113]
本研究は、与えられた2次元画像から3次元人体メッシュを再構築する問題に焦点を当てる。
拡散に基づくヒューマンメッシュ回復(Diff-HMR)と呼ばれる生成的アプローチフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-05T22:23:04Z) - Score-based Source Separation with Applications to Digital Communication
Signals [72.6570125649502]
拡散モデルを用いた重畳音源の分離手法を提案する。
高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。
提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
論文 参考訳(メタデータ) (2023-06-26T04:12:40Z) - PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative
MRI Reconstruction [1.5515877763861814]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。
この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。
我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文 参考訳(メタデータ) (2023-06-19T15:37:53Z) - CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion
Models [72.93652777646233]
カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。
本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。
カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
論文 参考訳(メタデータ) (2023-05-29T07:49:44Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳(メタデータ) (2021-09-06T13:42:32Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Solving Sparse Linear Inverse Problems in Communication Systems: A Deep
Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。
提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文 参考訳(メタデータ) (2020-10-29T06:32:53Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳(メタデータ) (2020-03-22T03:57:38Z)
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。