論文の概要: Physics-driven generative adversarial networks empower single-pixel infrared hyperspectral imaging

• arxiv url: http://arxiv.org/abs/2311.13626v1
• Date: Wed, 22 Nov 2023 17:36:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 01:32:36.951117
• Title: Physics-driven generative adversarial networks empower single-pixel infrared hyperspectral imaging
• Title（参考訳）: 物理駆動生成型逆ネットワークによる1ピクセル赤外ハイパースペクトルイメージング
• Authors: Dong-Yin Wang, Shu-Hang Bie, Xi-Hao Chen, Wen-Kai Yu
• Abstract要約: 単一画素ハイパースペクトルイメージング(HSI)のための物理駆動型生成対向ネットワーク(GAN)が構築された。 GANフレームワーク内では、単一ピクセルイメージング(SPI)の物理的プロセスがジェネレータに統合された。
• 参考スコア（独自算出の注目度）: 0.7448098004925985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A physics-driven generative adversarial network (GAN) was established here for single-pixel hyperspectral imaging (HSI) in the infrared spectrum, to eliminate the extensive data training work required by traditional data-driven model. Within the GAN framework, the physical process of single-pixel imaging (SPI) was integrated into the generator, and the actual and estimated one-dimensional (1D) bucket signals were employed as constraints in the objective function to update the network's parameters and optimize the generator with the assistance of the discriminator. In comparison to single-pixel infrared HSI methods based on compressed sensing and physics-driven convolution neural networks, our physics-driven GAN-based single-pixel infrared HSI can achieve higher imaging performance but with fewer measurements. We believe that this physics-driven GAN will promote practical applications of computational imaging, especially various SPI-based techniques.
• Abstract（参考訳）: 従来のデータ駆動モデルに必要な広範なデータトレーニング作業を排除するため、赤外線スペクトルの単画素ハイパースペクトルイメージング(hsi)のための物理駆動生成逆ネットワーク(gan)がここで確立された。 GANフレームワーク内では、単一ピクセルイメージング(SPI)の物理プロセスがジェネレータに統合され、実際の1次元(1D)バケット信号は、ネットワークのパラメータを更新し、識別器の助けを借りてジェネレータを最適化する目的関数の制約として使用される。 圧縮センシングと物理駆動畳み込みニューラルネットワークに基づく単画素赤外線hsi法と比較して,物理駆動ganベース単画素赤外線hsiは高い撮像性能を実現するが,測定量は少ない。 我々は,この物理駆動型GANが計算画像,特にSPIに基づく様々な手法の実用化を促進すると信じている。

関連論文リスト

• IFNet: Deep Imaging and Focusing for Handheld SAR with Millimeter-wave Signals [15.37841025650825]
  我々は、信号処理モデルとディープニューラルネットワークの強みを組み合わせ、堅牢なイメージングとハンドヘルドmmWaveシステムへのフォーカスを実現する新しいディープ展開ネットワークIFNetを提案する。 既存の手法と比較して、IFNetは平均ピーク信号-雑音比(PSNR)の少なくとも11.89dB、実世界のデータセットにおける平均構造類似度指数測定(SSIM)の64.91%の改善を達成できる。
  論文  参考訳（メタデータ） (2024-05-03T11:55:45Z)
• Modular Anti-noise Deep Learning Network for Robotic Grasp Detection Based on RGB Images [2.759223695383734]
  本稿では,単一のRGB画像からつかむポーズを検出するための興味深いアプローチを提案する。 本稿では,認識とセマンティックセグメンテーションを付加したモジュール型学習ネットワークを提案する。 提案手法の有効性と精度を,実践的な実験と評価を通じて実証する。
  論文  参考訳（メタデータ） (2023-10-30T02:01:49Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• LWGNet: Learned Wirtinger Gradients for Fourier Ptychographic Phase Retrieval [14.588976801396576]
  本稿では,フォワードイメージングシステムの知識と深層データ駆動ネットワークを組み合わせたハイブリッドモデル駆動残差ネットワークを提案する。 従来のアンローリング技術とは異なり、LWGNetは従来のディープ・ラーニング・テクニックよりも少ない段数しか使用していない。 この低ビット深度・低コストセンサの性能向上は、FPM撮像装置のコストを大幅に下げる可能性がある。
  論文  参考訳（メタデータ） (2022-08-08T17:22:54Z)
• All-optical graph representation learning using integrated diffractive photonic computing units [51.15389025760809]
  フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。 我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。 ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-04-23T02:29:48Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• Model Inspired Autoencoder for Unsupervised Hyperspectral Image Super-Resolution [25.878793557013207]
  本稿では,低空間分解能HSIと高空間分解能マルチスペクトル像の融合を目的とした超高分解能画像(HSI)に焦点を当てた。 既存のディープラーニングベースのアプローチは、主に多数のラベル付きトレーニングサンプルに依存する教師付きである。 我々は、HSI超解像のためのモデルにインスパイアされたディープネットワークを教師なしで設計する最初の試みを行う。
  論文  参考訳（メタデータ） (2021-10-22T05:15:16Z)
• Dynamic Proximal Unrolling Network for Compressive Sensing Imaging [29.00266254916676]
  本稿では,DPUNetと呼ばれる動的近位アンローリングネットワークについて述べる。 具体的には、DPUNetは、勾配降下による埋め込み物理モデルと、学習された動的近位写像による画像のインポーティングの両方を活用できる。 実験結果から,提案したDPUNetは,サンプル比や雑音レベルの異なる複数のCSIモダリティを1つのモデルで効果的に処理できることがわかった。
  論文  参考訳（メタデータ） (2021-07-23T03:04:44Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)

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。