論文の概要: Image Restoration with Point Spread Function Regularization and Active Learning

• arxiv url: http://arxiv.org/abs/2311.00186v1
• Date: Tue, 31 Oct 2023 23:16:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 15:35:07.461394
• Title: Image Restoration with Point Spread Function Regularization and Active Learning
• Title（参考訳）: 点拡散関数正規化とアクティブラーニングによる画像復元
• Authors: Peng Jia, Jiameng Lv, Runyu Ning, Yu Song, Nan Li, Kaifan Ji, Chenzhou Cui, Shanshan Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.575847437953924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale astronomical surveys can capture numerous images of celestial objects, including galaxies and nebulae. Analysing and processing these images can reveal intricate internal structures of these objects, allowing researchers to conduct comprehensive studies on their morphology, evolution, and physical properties. However, varying noise levels and point spread functions can hamper the accuracy and efficiency of information extraction from these images. To mitigate these effects, we propose a novel image restoration algorithm that connects a deep learning-based restoration algorithm with a high-fidelity telescope simulator. During the training stage, the simulator generates images with different levels of blur and noise to train the neural network based on the quality of restored images. After training, the neural network can directly restore images obtained by the telescope, as represented by the simulator. We have tested the algorithm using real and simulated observation data and have found that it effectively enhances fine structures in blurry images and increases the quality of observation images. This algorithm can be applied to large-scale sky survey data, such as data obtained by LSST, Euclid, and CSST, to further improve the accuracy and efficiency of information extraction, promoting advances in the field of astronomical research.
• Abstract（参考訳）: 大規模な天文調査は、銀河や星雲を含む多くの天体の画像を撮影することができる。 これらの画像を分析し、処理することで、複雑な内部構造が明らかになり、研究者たちはその形態、進化、物理的特性に関する包括的な研究を行うことができる。 しかし,様々なノイズレベルや点拡散関数は,これらの画像から情報抽出の精度と効率を損なう可能性がある。 これらの効果を緩和するために,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。 トレーニングステージの間、シミュレータは、復元された画像の品質に基づいてニューラルネットワークを訓練するために、異なるレベルのぼやけとノイズを持つ画像を生成する。 トレーニング後、ニューラルネットワークは、シミュレータが示すように、望遠鏡が取得した画像を直接復元することができる。 実データと模擬観測データを用いてアルゴリズムを検証した結果、ぼやけた画像の微細構造を効果的に強化し、観察画像の品質を向上させることがわかった。 このアルゴリズムは、LSST、Euclid、CSSTなどの大規模スカイサーベイデータに適用でき、情報抽出の精度と効率をさらに向上させ、天文学研究の分野における進歩を促進することができる。

関連論文リスト

• An Image Quality Evaluation and Masking Algorithm Based On Pre-trained Deep Neural Networks [3.3573574079709223]
  本稿では、オートエンコーダを用いて高品質な天体画像の特徴を学習する深層学習に基づく画像品質評価アルゴリズムを提案する。 訓練されたオートエンコーダは、ノイズの影響を受ける領域の画像品質とマスキングの自動評価を可能にする。 本アルゴリズムは,異なるスカイサーベイプロジェクトから得られる画像品質を自動評価するために用いられる。
  論文  参考訳（メタデータ） (2024-05-06T12:20:16Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Direct Exoplanet Detection Using Deep Convolutional Image Reconstruction (ConStruct): A New Algorithm for Post-Processing High-Contrast Images [0.0]
  本稿では,高コントラスト適応光学画像データセットにおけるかすかな点源検出のための新しい機械学習手法を提案する。 畳み込み型自己エンコーダニューラルネットワークは、実画像シーケンスの広範な参照ライブラリに基づいて訓練され、潜在的な惑星信号の位置にある恒星スペックルノイズを正確に再構成する。
  論文  参考訳（メタデータ） (2023-12-06T18:36:03Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  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。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• 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)
• 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)
• Homography augumented momentum constrastive learning for SAR image retrieval [3.9743795764085545]
  本稿では, ホログラフィ変換を用いた画像検索手法を提案する。 また,ラベル付け手順を必要としないコントラスト学習によって誘導されるDNNのトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-21T17:27:07Z)
• 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)
• Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
  天文学では、毎日大量の画像データが測光サーベイによって生成される。 本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-04-23T17:32:19Z)

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。