論文の概要: Domain independent post-processing with graph U-nets: Applications to
Electrical Impedance Tomographic Imaging
- arxiv url: http://arxiv.org/abs/2305.05020v1
- Date: Mon, 8 May 2023 19:57:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 19:59:47.495319
- Title: Domain independent post-processing with graph U-nets: Applications to
Electrical Impedance Tomographic Imaging
- Title（参考訳）: グラフuネットによる領域独立後処理:電気インピーダンストモグラフィイメージングへの応用
- Authors: William Herzberg, Andreas Hauptmann, and Sarah J. Hamilton
- Abstract要約: 境界画像からのトモグラフィ画像の再構成には,対象領域に対する柔軟性が必要である。
長方形のピクセルやボクセルドメインに制限された、非常に成功したU-Netアーキテクチャを、FEメッシュ上で柔軟に動作する同等のものに拡張します。
電気インピーダンストモグラフィ(EIT)測定から再構成を改善するためのグラフU-Netの有効性と柔軟性を示す。
- 参考スコア（独自算出の注目度）: 2.2876419238907664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstruction of tomographic images from boundary measurements requires
flexibility with respect to target domains. For instance, when the system
equations are modeled by partial differential equations the reconstruction is
usually done on finite element (FE) meshes, allowing for flexible geometries.
Thus, any processing of the obtained reconstructions should be ideally done on
the FE mesh as well. For this purpose, we extend the hugely successful U-Net
architecture that is limited to rectangular pixel or voxel domains to an
equivalent that works flexibly on FE meshes. To achieve this, the FE mesh is
converted into a graph and we formulate a graph U-Net with a new cluster
pooling and unpooling on the graph that mimics the classic neighborhood based
max-pooling. We demonstrate effectiveness and flexibility of the graph U-Net
for improving reconstructions from electrical impedance tomographic (EIT)
measurements, a nonlinear and highly ill-posed inverse problem. The performance
is evaluated for simulated data and from three measurement devices with
different measurement geometries and instrumentations. We successfully show
that such networks can be trained with a simple two-dimensional simulated
training set and generalize to very different domains, including measurements
from a three-dimensional device and subsequent 3D reconstructions.
- Abstract（参考訳）: 境界計測から断層画像の再構成には, 対象領域に対する柔軟性が必要である。
例えば、系方程式が偏微分方程式によってモデル化されている場合、再構成は通常有限要素(FE)メッシュ上で行われ、柔軟な測地が可能である。
したがって、得られた再構成の処理は、FEメッシュ上でも理想的に行う必要がある。
この目的のために、長方形のピクセルドメインやボクセルドメインに限られる非常に成功したU-Netアーキテクチャを、FEメッシュ上で柔軟に動作する等価なものに拡張する。
これを実現するために、FEメッシュをグラフに変換し、古典的な地区ベースの最大プールを模倣したグラフ上に新しいクラスタプーリングとアンプールでグラフU-Netを定式化する。
電気インピーダンストモグラフィ(eit)測定からの再構成を改善するためのグラフu-netの有効性と柔軟性を実証する。
シミュレーションデータおよび測定測度と測定機器の異なる3つの測定装置から,その性能を評価する。
このようなネットワークは、単純な2次元シミュレーショントレーニングセットでトレーニングでき、3次元デバイスからの計測やその後の3次元再構成を含む、非常に異なる領域に一般化できることを示す。
関連論文リスト
- Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。
AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。
我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文 参考訳（メタデータ） (2024-06-20T10:01:22Z) - 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) - Learning Neural Radiance Fields from Multi-View Geometry [1.1011268090482573]
画像に基づく3次元再構成のために,多視点幾何アルゴリズムとニューラルレージアンス場(NeRF)を組み合わせたMVG-NeRF(MVG-NeRF)というフレームワークを提案する。
NeRFは暗黙の3D表現の分野に革命をもたらした。
論文 参考訳（メタデータ） (2022-10-24T08:53:35Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - Learnable Triangulation for Deep Learning-based 3D Reconstruction of
Objects of Arbitrary Topology from Single RGB Images [12.693545159861857]
モノクロ画像から3次元物体を再構成する深層強化学習手法を提案する。
提案手法は, 視覚的品質, 再構成精度, 計算時間において, 最先端技術よりも優れる。
論文 参考訳（メタデータ） (2021-09-24T09:44:22Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - Graph Convolutional Networks for Model-Based Learning in Nonlinear
Inverse Problems [2.0999222360659604]
モデルに基づく学習を非一様メッシュに直接拡張するための柔軟なフレームワークを提案する。
これにより、反復グラフ畳み込みニュートン法(GCNM)が提案される。
gcnmは異なるドメイン形状に対して強い一般化性を示す。
論文 参考訳（メタデータ） (2021-03-28T14:19:56Z) - Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media [0.0]
我々は多孔質メディアシミュレーションデータから学習できる汎用的なマルチスケールディープラーニングモデルを開発した。
単一のグラフィックス処理ユニットで約1秒で大きな画像の評価が可能です。
論文 参考訳（メタデータ） (2021-02-10T23:38:36Z) - Deep Manifold Prior [37.725563645899584]
本稿では,3次元形状の表面などの多様体構造データに先行する手法を提案する。
この方法で生成された曲面は滑らかであり、ガウス過程を特徴とする制限的な挙動を示し、完全連結および畳み込みネットワークに対して数学的にそのような特性を導出する。
論文 参考訳（メタデータ） (2020-04-08T20:47:56Z)
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。