論文の概要: Optimized Current Density Reconstruction from Widefield Quantum Diamond Magnetic Field Maps

• arxiv url: http://arxiv.org/abs/2402.17781v2
• Date: Sat, 09 Nov 2024 23:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:03:44.084085
• Title: Optimized Current Density Reconstruction from Widefield Quantum Diamond Magnetic Field Maps
• Title（参考訳）: 広視野量子ダイヤモンド磁界図による電流密度の最適化
• Authors: Siddhant Midha, Madhur Parashar, Anuj Bathla, David A. Broadway, Jean-Philippe Tetienne, Kasturi Saha,
• Abstract要約: ダイヤモンド結晶中の窒素原子価(NV)欠陥を利用した量子ダイヤモンド顕微鏡は、様々なナノスケール電流プロファイルの磁場イメージングを可能にした。 現在の密度を再構築する問題は、研究中の構造について重要な洞察を与える。 推論に基づく再構成の新しい代替手段として,学習アルゴリズムとベイズ的手法が提案されている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Quantum Diamond Microscopy using Nitrogen-Vacancy (NV) defects in diamond crystals has enabled the magnetic field imaging of a wide variety of nanoscale current profiles. Intimately linked with the imaging process is the problem of reconstructing the current density, which provides critical insight into the structure under study. This manifests as a non-trivial inverse problem of current reconstruction from noisy data, typically conducted via Fourier-based approaches. Learning algorithms and Bayesian methods have been proposed as novel alternatives for inference-based reconstructions. We study the applicability of Fourier-based and Bayesian methods for reconstructing two-dimensional current density maps from magnetic field images obtained from NV imaging. We discuss extensive numerical simulations to elucidate the performance of the reconstruction algorithms in various parameter regimes, and further validate our analysis via performing reconstructions on experimental data. Finally, we examine parameter regimes that favor specific reconstruction algorithms and provide an empirical approach for selecting regularization in Bayesian methods.
• Abstract（参考訳）: ダイヤモンド結晶中の窒素原子価(NV)欠陥を利用した量子ダイヤモンド顕微鏡は、様々なナノスケール電流プロファイルの磁場イメージングを可能にした。 イメージングプロセスと密接に結びついているのは、現在の密度を再構築する問題であり、研究中の構造について重要な洞察を提供する。 これは、典型的にはフーリエに基づくアプローチによって行われる、ノイズの多いデータからの現在の再構成の非自明な逆問題として現れている。 推論に基づく再構成の新しい代替手段として,学習アルゴリズムとベイズ的手法が提案されている。 NVイメージングから得られた磁場画像から2次元電流密度マップを再構成するためのフーリエ法およびベイズ法の適用性について検討した。 本研究では, 各種パラメータ構造における再構成アルゴリズムの性能を解明するために, 広範囲な数値シミュレーションを行い, 実験データによる再構成による解析を更に検証する。 最後に,特定の再構成アルゴリズムを優先するパラメータ機構について検討し,ベイズ法における正規化を選択するための経験的アプローチを提案する。

関連論文リスト

• Ray-driven Spectral CT Reconstruction Based on Neural Base-Material Fields [10.684377265644045]
  スペクトルCT再構成において、基本材料分解は積分方程式の大規模非線形系を解くことを伴う。 本稿では、ニューラルネットワーク表現を用いて物体の減衰係数をパラメータ化するモデルを提案する。 線駆動神経場に基づく線積分の軽量な離散化法を導入する。
  論文  参考訳（メタデータ） (2024-04-10T13:10:52Z)
• Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
  本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。 線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
  論文  参考訳（メタデータ） (2023-07-02T17:21:30Z)
• 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)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion [85.24673400250671]
  ニューラル・ボリューム・フュージョン (BNV-Fusion) は, ニューラル・暗黙表現とニューラル・レンダリングの最近の進歩を活用して高密度3次元再構成を行う。 新しい深度マップをグローバルな暗黙的表現に漸進的に統合するために、我々は新しい二段階融合戦略を提案する。 提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。
  論文  参考訳（メタデータ） (2022-04-03T19:33:09Z)
• Bayesian Inversion for Nonlinear Imaging Models using Deep Generative Priors [24.544313203472992]
  非線形逆問題クラスに対するメトロポリス調整ランゲヴィンアルゴリズムに基づくトラクタブル後方サンプリング手法を開発した。 本稿では,2つの非線形画像モダリティ-位相検索と光回折トモグラフィーに応用することで,この枠組みの利点を述べる。
  論文  参考訳（メタデータ） (2022-03-18T17:47:29Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Denoising Score-Matching for Uncertainty Quantification in Inverse Problems [1.521936393554569]
  本稿では、逆問題を解決するための一般的なベイズフレームワークを提案する。このフレームワークでは、信号の事前分布を学習するためのディープニューラルネットワークの使用を制限する。 この枠組みを磁気共鳴画像再構成(MRI)に適用し、再構成された画像の特定の特徴の不確実性を評価するために、この手法がどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2020-11-16T18:33:06Z)
• Deep image prior for 3D magnetic particle imaging: A quantitative comparison of regularization techniques on Open MPI dataset [2.2366638308792735]
  MPIは、医療応用の可能性を継続的に増加させている。 これらの応用における性能向上の前提条件は、画像再構成問題に対する適切な解法である。 本稿では,ディープニューラルネットワークによる解の表現を基盤とした,より深い画像に基づく新しい再構成手法について検討する。
  論文  参考訳（メタデータ） (2020-07-03T10:13:10Z)
• Training Variational Networks with Multi-Domain Simulations: Speed-of-Sound Image Reconstruction [5.47832435255656]
  変分ネットワーク(VN)は画像再構成における逆問題を最適化するための学習に基づく潜在的アプローチであることが示されている。 本稿では,従来のトランスデューサと単側組織アクセスを用いたパルスエコーSoS画像再構成問題に対するVNソリューションを初めて提示する。 提案手法とマルチソースドメイントレーニングを組み合わせることで,VNのドメイン適応能力を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-06-25T13:32:08Z)

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。