論文の概要: A Conditional Denoising Diffusion Probabilistic Model for Radio
Interferometric Image Reconstruction
- arxiv url: http://arxiv.org/abs/2305.09121v2
- Date: Tue, 29 Aug 2023 06:11:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 18:18:25.126496
- Title: A Conditional Denoising Diffusion Probabilistic Model for Radio
Interferometric Image Reconstruction
- Title（参考訳）: 電波干渉画像再構成のための条件付き拡散確率モデル
- Authors: Ruoqi Wang, Zhuoyang Chen, Qiong Luo, Feng Wang
- Abstract要約: 可視・画像条件付き拡散確率モデルであるVIC-DDPMを提案する。
本研究の主な目的は、スペクトル領域における元の可視データと空間領域における汚れ画像の両方を用いて、DDPMによる画像生成プロセスのガイドを行うことである。
提案手法は, 成果物を低減し, 細部を保存し, ディムソースを復元することにより, 得られた画像を大幅に改善することを示す。
- 参考スコア（独自算出の注目度）: 4.715025376297672
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In radio astronomy, signals from radio telescopes are transformed into images
of observed celestial objects, or sources. However, these images, called dirty
images, contain real sources as well as artifacts due to signal sparsity and
other factors. Therefore, radio interferometric image reconstruction is
performed on dirty images, aiming to produce clean images in which artifacts
are reduced and real sources are recovered. So far, existing methods have
limited success on recovering faint sources, preserving detailed structures,
and eliminating artifacts. In this paper, we present VIC-DDPM, a Visibility and
Image Conditioned Denoising Diffusion Probabilistic Model. Our main idea is to
use both the original visibility data in the spectral domain and dirty images
in the spatial domain to guide the image generation process with DDPM. This
way, we can leverage DDPM to generate fine details and eliminate noise, while
utilizing visibility data to separate signals from noise and retaining spatial
information in dirty images. We have conducted experiments in comparison with
both traditional methods and recent deep learning based approaches. Our results
show that our method significantly improves the resulting images by reducing
artifacts, preserving fine details, and recovering dim sources. This
advancement further facilitates radio astronomical data analysis tasks on
celestial phenomena.
- Abstract（参考訳）: 電波天文学では、電波望遠鏡からの信号は観測された天体や源の画像に変換される。
しかし、これらの画像はダーティイメージと呼ばれ、信号のスパーシティなどの要因により、実際のソースだけでなくアーティファクトも含んでいる。
そのため、汚れた画像に対して電波干渉画像再構成を行い、アーティファクトを減らし、実際のソースを回収するクリーンな画像を作成する。
これまでの方法では、かすかなソースの復元、詳細な構造保存、アーティファクトの除去に成功している。
本稿では,可視性および画像条件付き消音拡散確率モデルvic-ddpmを提案する。
私たちの主なアイデアは、スペクトル領域のオリジナルの可視性データと空間領域の汚れた画像の両方を使用して、ddpmで画像生成プロセスをガイドすることです。
このようにして,ddpmを利用して細かなディテールを生成し,ノイズを除去し,可視性データを利用してノイズから信号を分離し,汚れた画像に空間情報を保持できる。
従来の手法と最近のディープラーニングに基づくアプローチとの比較実験を行った。
提案手法は, 成果物を低減し, 細部を保存し, ディムソースを復元することにより, 得られた画像を大幅に改善することを示す。
この進歩は、天体現象に関する電波天文学データ分析タスクをさらに促進する。
関連論文リスト
- Radio-astronomical Image Reconstruction with Conditional Denoising
Diffusion Model [5.673449249014537]
汚れた電波画像からスカイモデルを再構成することは、高赤方偏移で銀河の進化を研究するために不可欠である。
CLEANやPyBDSFのような現在の技術は、しばしばかすかなソースを検出するのに失敗する。
本研究では、ニューラルネットワークを用いて、汚れた画像から直接スカイモデルを再構築することを提案する。
論文 参考訳（メタデータ） (2024-02-15T18:57:24Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - TDiffDe: A Truncated Diffusion Model for Remote Sensing Hyperspectral
Image Denoising [5.978703842488647]
本稿では,ハイパースペクトル画像における有用情報を徐々に復元するために,TDiffDeと呼ばれる切り離された拡散モデルを提案する。
入力データは、純粋なノイズから始めるのではなく、ハイパースペクトル画像の認知の画像情報を含む。
論文 参考訳（メタデータ） (2023-11-22T08:49:08Z) - Towards High-quality HDR Deghosting with Conditional Diffusion Models [88.83729417524823]
高ダイナミックレンジ(LDR)画像は、既存のディープニューラルネットワーク(DNN)技術により、複数の低ダイナミックレンジ(LDR)画像から復元することができる。
DNNは、LDR画像が飽和度と大きな動きを持つ場合、ゴーストアーティファクトを生成する。
拡散モデルの条件としてLDR特徴を利用する画像生成としてHDRデゴースト問題を定式化する。
論文 参考訳（メタデータ） (2023-11-02T01:53:55Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳（メタデータ） (2023-08-31T04:58:17Z) - PolarRec: Radio Interferometric Data Reconstruction with Polar
Coordinate Representation [4.941073370898513]
電波天文学では、電波望遠鏡からの電波信号の測定である可視データは、遠方の天体を観測するための画像に変換される。
既存の再構成手法では、周波数領域の可視性に欠ける部分が多く、ぼやけたオブジェクトエッジや永続的なアーティファクトが画像に残っている。
極座標表現に変換された可視性サンプルを持つ変換器エンコーダ条件の再構成パイプラインであるPolarRecを提案する。
論文 参考訳（メタデータ） (2023-08-28T14:26:15Z) - DIRE for Diffusion-Generated Image Detection [128.95822613047298]
拡散再構成誤り(DIRE)という新しい表現を提案する。
DIREは、予め訓練された拡散モデルにより、入力画像とその再構成画像間の誤差を測定する。
DIREは生成されたイメージと実際のイメージを区別するためのブリッジとして機能する、というヒントを提供する。
論文 参考訳（メタデータ） (2023-03-16T13:15:03Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。
我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
論文 参考訳（メタデータ） (2021-10-16T17:08:30Z) - Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。
最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。
ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
論文 参考訳（メタデータ） (2021-10-09T16:09:27Z) - 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)
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。