論文の概要: Design, Implementation and Analysis of a Compressed Sensing
Photoacoustic Projection Imaging System
- arxiv url: http://arxiv.org/abs/2402.15750v1
- Date: Sat, 24 Feb 2024 07:18:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 17:13:34.055428
- Title: Design, Implementation and Analysis of a Compressed Sensing
Photoacoustic Projection Imaging System
- Title（参考訳）: 圧縮センシング光音響投影イメージングシステムの設計・実装・解析
- Authors: Markus Haltmeier, Matthias Ye, Karoline Felbermayer, Florian
Hinterleitner, Peter Burgholzer
- Abstract要約: 我々は圧縮係数4:3$のCS PAPIシステムを実装し、16個のILDの別々のグループで測定を行う。
結果: スパースリカバリ能力の証明されたCSをPAPIに統合し, 数値的にこの設定をサポートする。
- 参考スコア（独自算出の注目度）: 1.5499426028105905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Significance: Compressed sensing (CS) uses special measurement designs
combined with powerful mathematical algorithms to reduce the amount of data to
be collected while maintaining image quality. This is relevant to almost any
imaging modality, and in this paper we focus on CS in photoacoustic projection
imaging (PAPI) with integrating line detectors (ILDs).
Aim: Our previous research involved rather general CS measurements, where
each ILD can contribute to any measurement. In the real world, however, the
design of CS measurements is subject to practical constraints. In this
research, we aim at a CS-PAPI system where each measurement involves only a
subset of ILDs, and which can be implemented in a cost-effective manner.
Approach: We extend the existing PAPI with a self-developed CS unit. The
system provides structured CS matrices for which the existing recovery theory
cannot be applied directly. A random search strategy is applied to select the
CS measurement matrix within this class for which we obtain exact sparse
recovery.
Results: We implement a CS PAPI system for a compression factor of $4:3$,
where specific measurements are made on separate groups of 16 ILDs. We
algorithmically design optimal CS measurements that have proven sparse CS
capabilities. Numerical experiments are used to support our results.
Conclusions: CS with proven sparse recovery capabilities can be integrated
into PAPI, and numerical results support this setup. Future work will focus on
applying it to experimental data and utilizing data-driven approaches to
enhance the compression factor and generalize the signal class.
- Abstract（参考訳）: 意義:圧縮センシング(CS)は、画像の品質を維持しながら収集するデータの量を減らすために、強力な数学的アルゴリズムと組み合わせた特別な計測設計を使用する。
本報告では,光音響投影画像(PAPI)におけるCSとライン検出器(ILD)の統合に焦点をあてる。
目的: これまでの研究では,各 ild が任意の測定に寄与できる,一般的な cs 測定に関わっていました。
しかし,実世界では,CS測定の設計は現実的な制約の対象となっている。
本研究では,各測定値が ild のサブセットのみを含むcs-papi システムを対象として,コスト効率のよい手法で実装することを目的とした。
アプローチ: 既存のPAPIを自己開発CSユニットで拡張する。
このシステムは、既存の回復理論を直接適用できない構造化cs行列を提供する。
このクラス内でのCS測定行列の選択にランダムな探索戦略を適用し,正確なスパースリカバリを得る。
結果: CS PAPI システムは圧縮係数 4:3$ で実装され, 16 ILD の異なるグループに対して特定の測定を行う。
我々は,スパースCS能力を証明した最適CS測定をアルゴリズム的に設計する。
数値実験は我々の結果を支えるために用いられる。
結論: スパースリカバリ機能が証明されたCSはPAPIに統合でき、数値的な結果がこの設定をサポートする。
今後の作業では、実験データに適用し、圧縮係数を高め、信号クラスを一般化するためにデータ駆動アプローチを活用することに重点を置く。
関連論文リスト
- Language Models as Zero-shot Lossless Gradient Compressors: Towards
General Neural Parameter Prior Models [66.1595537904019]
大型言語モデル(LLM)はゼロショット設定でグラデーション先行として振る舞うことができる。
本稿では,LSMと算術符号を統合する新しい手法であるLM-GCを紹介する。
論文 参考訳（メタデータ） (2024-09-26T13:38:33Z) - Untrained Neural Nets for Snapshot Compressive Imaging: Theory and Algorithms [15.54330224419903]
スナップショット圧縮イメージング(SCI)は、単一の2次元計測から高次元(3D)データキューブを復元する。
本稿では、DIP(Deep Image prior)などの未学習ニューラルネットワーク(UNN)を用いたSCI回復アルゴリズムに着目し、ソース構造をモデル化する。
論文 参考訳（メタデータ） (2024-06-06T02:22:43Z) - 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) - Operational Support Estimator Networks [20.63209309898005]
本稿では,OSEN(Operational Support Estimator Networks)と呼ばれる新しい手法を提案する。
提案したOSENアプローチは、ディープネットワークを必要とせずに複雑な非線形性を学ぶことができる運用層で構成されている。
実験の結果,提案手法は計算効率を向上し,競合する手法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-12T10:29:40Z) - One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from
Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。
本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-06T20:28:37Z) - Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。
HSI再構成のための深層学習にHSI空間を埋め込んだCST
特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文 参考訳（メタデータ） (2022-03-09T16:17:47Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳（メタデータ） (2021-12-08T13:02:53Z) - Deep Learning Techniques for Compressive Sensing-Based Reconstruction
and Inference -- A Ubiquitous Systems Perspective [3.774024703826043]
サンプリングおよび再構成アルゴリズムの実践的な問題は、圧縮センシングのさらなる拡散を防ぐ。
深層学習(DL)は、サンプリング行列を適応し、信号を再構成し、圧縮されたサンプルを学習するためのCSを自然に補完する。
本稿では,CS と DL が相互作用できる主要な方法を特定し,CS-DL を効率的にするための重要なアイデアを抽出し,CS-DL 研究空間における主要なトレンドを特定し,Ubicomp ドメイン内での CS-DL の今後の進化に関するガイドラインを導出する。
論文 参考訳（メタデータ） (2021-05-26T14:04:04Z) - Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。
また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
論文 参考訳（メタデータ） (2021-03-12T08:57:06Z) - Toward Real-World BCI: CCSPNet, A Compact Subject-Independent Motor
Imagery Framework [2.0741711594051377]
従来の脳-コンピュータインタフェース(BCI)は、使用前に各ユーザーに対して完全なデータ収集、トレーニング、校正フェーズを必要とする。
大規模脳波信号データベースの運動画像(MI)パラダイムを学習するCCSPNetという,新規な主体に依存しないBCIフレームワークを提案する。
提案手法は,ウェーブレット核畳み込みニューラルネットワーク(wkcnn)と時間畳み込みニューラルネットワーク(tcnn)を適用し,脳波信号の多様なスペクトル特性を表現・抽出する。
論文 参考訳（メタデータ） (2020-12-25T12:00:47Z) - Learning a Probabilistic Strategy for Computational Imaging Sensor
Selection [16.553234762932938]
本稿では,センサ設計のための確率的センササンプリング戦略を学習する物理制約付き,完全微分可能なオートエンコーダを提案する。
提案手法は,センサ選択の相関関係を2次完全接続型Isingモデルとして特徴付ける,システムに好まれるサンプリング分布を学習する。
論文 参考訳（メタデータ） (2020-03-23T17:52:17Z)
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。