論文の概要: GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers
- arxiv url: http://arxiv.org/abs/2402.10831v1
- Date: Fri, 16 Feb 2024 17:03:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 15:04:55.500308
- Title: GAN-driven Electromagnetic Imaging of 2-D Dielectric Scatterers
- Title（参考訳）: 2次元誘電体散乱体のガン駆動電磁イメージング
- Authors: Ehtasham Naseer, Ali Imran Sandhu, Muhammad Adnan Siddique, Waqas W.
Ahmed, Mohamed Farhat, and Ying Wu
- Abstract要約: 逆散乱問題は、それらが不適切で非線形であるという事実を考えると、本質的に困難である。
本稿では、生成的対向ネットワークに依存する強力なディープラーニングに基づくアプローチを提案する。
適切に設計された高密度層からなる凝集性逆ニューラルネットワーク(INN)フレームワークが設定される。
トレーニングされたINNは、平均2進クロスエントロピー(BCE)損失が0.13ドル、構造類似度指数(SSI)が0.90ドルであることを示す。
- 参考スコア（独自算出の注目度）: 4.510838705378781
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Inverse scattering problems are inherently challenging, given the fact they
are ill-posed and nonlinear. This paper presents a powerful deep learning-based
approach that relies on generative adversarial networks to accurately and
efficiently reconstruct randomly-shaped two-dimensional dielectric objects from
amplitudes of multi-frequency scattered electric fields. An adversarial
autoencoder (AAE) is trained to learn to generate the scatterer's geometry from
a lower-dimensional latent representation constrained to adhere to the Gaussian
distribution. A cohesive inverse neural network (INN) framework is set up
comprising a sequence of appropriately designed dense layers, the
already-trained generator as well as a separately trained forward neural
network. The images reconstructed at the output of the inverse network are
validated through comparison with outputs from the forward neural network,
addressing the non-uniqueness challenge inherent to electromagnetic (EM)
imaging problems. The trained INN demonstrates an enhanced robustness,
evidenced by a mean binary cross-entropy (BCE) loss of $0.13$ and a structure
similarity index (SSI) of $0.90$. The study not only demonstrates a significant
reduction in computational load, but also marks a substantial improvement over
traditional objective-function-based methods. It contributes both to the fields
of machine learning and EM imaging by offering a real-time quantitative imaging
approach. The results obtained with the simulated data, for both training and
testing, yield promising results and may open new avenues for radio-frequency
inverse imaging.
- Abstract（参考訳）: 逆散乱問題は本質的に不適切で非線形であるという事実を考えると困難である。
本稿では,多周波散乱電界の振幅からランダム形状の2次元誘電体を正確にかつ効率的に再構成する,生成型逆ネットワークに基づく強力な深層学習手法を提案する。
逆自己エンコーダ(AAE)は、ガウス分布に拘束された低次元の潜在表現から散乱器の幾何を生成することを学習するために訓練される。
凝集型逆ニューラルネットワーク(inn)フレームワークは、適切に設計された密集層と、既に訓練済みのジェネレータと、個別に訓練されたフォワードニューラルネットワークからなる。
逆ネットワークの出力で再構成された画像は、前方ニューラルネットワークの出力との比較により検証され、電磁的(em)イメージング問題に固有の非特異性課題に対処する。
トレーニングされたINNは、平均2進クロスエントロピー(BCE)損失が0.13ドル、構造類似度指数(SSI)が0.90ドルであることを示す。
この研究は計算負荷の大幅な削減を示すだけでなく、従来の目的関数法よりも大幅に改善されている。
リアルタイムの定量的イメージングアプローチを提供することで、機械学習とEMイメージングの両方に寄与する。
シミュレーションデータを用いて得られた結果は、トレーニングとテストの両方において有望な結果をもたらし、ラジオ波逆イメージングのための新しい道を開く可能性がある。
関連論文リスト
- Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳（メタデータ） (2023-03-22T18:59:48Z) - 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) - Retinal Image Restoration using Transformer and Cycle-Consistent
Generative Adversarial Network [0.7868449549351486]
医療画像は様々な疾患の検出と治療に重要な役割を果たしている。
視覚変換器と畳み込みニューラルネットワークを用いた網膜画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-03-03T14:10:47Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Hybrid Parallel Imaging and Compressed Sensing MRI Reconstruction with
GRAPPA Integrated Multi-loss Supervised GAN [2.7110495144693374]
本稿では, 再構成画像のデエイリアスのために, マルチモーダルな損失を抑える新しいGAN(Generative Adversarial Network)を提案する。
提案手法は, 画像品質の向上に寄与し, 5倍, 10倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-09-19T07:26:45Z) - Unsupervised Denoising of Optical Coherence Tomography Images with
Dual_Merged CycleWGAN [3.3909577600092122]
そこで我々は,網膜CT画像復調のためのDual-Merged Cycle-WGANと呼ばれる新しいサイクル一貫性生成適応ネットを提案する。
本モデルでは,2つのCycle-GANネットワークとデクリミネータとワッセルシュタイン損失を併用して,優れたトレーニング安定性と性能を実現する。
論文 参考訳（メタデータ） (2022-05-02T07:38:19Z) - Convex Regularization Behind Neural Reconstruction [21.369208659395042]
本論文では、凸ソルバにニューラルネットワークを拡張可能にする凸双対性フレームワークを提唱する。
MNIST fastMRIデータセットを用いた実験は、二重ネットワーク最適化問題の有効性を確認する。
論文 参考訳（メタデータ） (2020-12-09T16:57:16Z) - Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。
両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。
画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
論文 参考訳（メタデータ） (2020-08-25T03:30:53Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z) - Misalignment Resilient Diffractive Optical Networks [14.520023891142698]
本稿では,3次元のミスアライメントと耐加工性に対する拡散ネットワークのロバスト性を大幅に向上させる新しいトレーニング手法を紹介し,実験的に実証する。
3次元の望ましくない層間ミスアライメントを光フォワードモデルにおける連続的ランダム変数としてモデル化することにより、拡散ネットワークは広い範囲のミスアライメントにわたって推論精度を維持するように訓練される。
論文 参考訳（メタデータ） (2020-05-23T04:22:48Z)
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。