論文の概要: The R2D2 deep neural network series paradigm for fast precision imaging
in radio astronomy
- arxiv url: http://arxiv.org/abs/2403.05452v2
- Date: Tue, 12 Mar 2024 18:24:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 10:59:09.537355
- Title: The R2D2 deep neural network series paradigm for fast precision imaging
in radio astronomy
- Title(参考訳): 高速高精度イメージングのためのR2D2ディープニューラルネットワークシリーズパラダイム
電波天文学では
- Authors: Amir Aghabiglou, Chung San Chu, Arwa Dabbech, Yves Wiaux
- Abstract要約: 最近の画像再構成技術は、CLEANの能力を超えて、画像の精度を著しく向上させる。
高ダイナミックレンジイメージングのためのResidual-to-Residual DNNシリーズと呼ばれる新しいディープラーニング手法を導入する。
高精度を実現するためのR2D2の能力は、超大型アレイ(VLA)を用いた様々な画像観測環境においてシミュレーションで実証されている。
- 参考スコア(独自算出の注目度): 1.8843687952462742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radio-interferometric (RI) imaging entails solving high-resolution
high-dynamic range inverse problems from large data volumes. Recent image
reconstruction techniques grounded in optimization theory have demonstrated
remarkable capability for imaging precision, well beyond CLEAN's capability.
These range from advanced proximal algorithms propelled by handcrafted
regularization operators, such as the SARA family, to hybrid plug-and-play
(PnP) algorithms propelled by learned regularization denoisers, such as AIRI.
Optimization and PnP structures are however highly iterative, which hinders
their ability to handle the extreme data sizes expected from future
instruments. To address this scalability challenge, we introduce a novel deep
learning approach, dubbed ``Residual-to-Residual DNN series for high-Dynamic
range imaging''. R2D2's reconstruction is formed as a series of residual
images, iteratively estimated as outputs of Deep Neural Networks (DNNs) taking
the previous iteration's image estimate and associated data residual as inputs.
It thus takes a hybrid structure between a PnP algorithm and a learned version
of the matching pursuit algorithm that underpins CLEAN. We present a
comprehensive study of our approach, featuring its multiple incarnations
distinguished by their DNN architectures. We provide a detailed description of
its training process, targeting a telescope-specific approach. R2D2's
capability to deliver high precision is demonstrated in simulation, across a
variety of image and observation settings using the Very Large Array (VLA). Its
reconstruction speed is also demonstrated: with only few iterations required to
clean data residuals at dynamic ranges up to 100000, R2D2 opens the door to
fast precision imaging. R2D2 codes are available in the BASPLib library on
GitHub.
- Abstract(参考訳): ラジオインターフェロメトリ(RI)イメージングは、大容量データから高解像度の高ダイナミックレンジ逆問題を解決する。
最適化理論に基づく最近の画像再構成技術は、CLEANの能力をはるかに超えて、画像の精度を著しく向上させることを示した。
これらは、SARAファミリーのような手作りの正規化演算子によって推進される高度な近位アルゴリズムから、AIRIのような学習正規化復号器によって推進されるハイブリッドプラグアンドプレイ(PnP)アルゴリズムまで様々である。
しかし、最適化とPnP構造は非常に反復的であり、将来の機器から期待される極端なデータサイズを扱う能力を妨げる。
このスケーラビリティ問題に対処するため,我々は‘Residual-to-Residual DNN series for High-Dynamic Range Imaging’という新しいディープラーニング手法を導入する。
R2D2の再構成は一連の残像として形成され、前回の反復のイメージ推定と関連するデータを入力として取り込むディープニューラルネットワーク(DNN)の出力として反復的に推定される。
これにより、PnPアルゴリズムとCLEANの基盤となるマッチング追従アルゴリズムの学習バージョンとのハイブリッド構造を取る。
本稿では,DNNアーキテクチャによって区別される複数のインカーネーションを特徴とするアプローチを包括的に検討する。
我々は、望遠鏡固有のアプローチをターゲットとした、そのトレーニングプロセスの詳細な説明を提供する。
高精度を実現するR2D2の能力は、Very Large Array (VLA) を用いた様々な画像および観測設定のシミュレーションで実証されている。
その復元速度も示される: ダイナミックレンジでデータ残基を最大100000まで掃除するのに必要なイテレーションは数回しかなく、R2D2は高速な精度の撮像のためにドアを開く。
R2D2コードはGitHubのBASPLibライブラリから入手できる。
関連論文リスト
- Ultra-fast high-dynamic range imaging of Cygnus A with the R2D2 deep
neural network series [0.0]
天文学における電波干渉計(RI)による高分解能高ダイナミックレンジイメージングのための新しいAI手法を提案する。
R2D2は、ハイブリッドディープニューラルネットワーク(DNN)とデータ一貫性更新に依存する、モデルベースのデータ駆動アプローチである。
我々は、超大型アレイ(VLA)によるS帯の電波銀河Cygnus Aの高感度観測における単色強度イメージングの利用を実証した。
論文 参考訳(メタデータ) (2023-09-06T18:11:09Z) - A Model-data-driven Network Embedding Multidimensional Features for
Tomographic SAR Imaging [5.489791364472879]
多次元特徴量に基づくトモSARイメージングを実現するためのモデルデータ駆動型ネットワークを提案する。
画像シーンの多次元的特徴を効果的に向上するために、2つの2次元処理モジュール(畳み込みエンコーダ-デコーダ構造)を追加します。
従来のCS-based FISTA法とDL-based gamma-Net法と比較して,提案手法は良好な画像精度を有しつつ,完全性を向上させる。
論文 参考訳(メタデータ) (2022-11-28T02:01:43Z) - Deep network series for large-scale high-dynamic range imaging [2.3759432635713895]
本稿では,大規模高ダイナミックレンジイメージングのための新しい手法を提案する。
ディープニューラルネットワーク(DNN)で訓練されたエンドツーエンドは、ほぼ瞬時に線形逆イメージング問題を解くことができる。
代替のPlug-and-Playアプローチは、高ダイナミックレンジの課題に対処する上で有効であるが、高度に反復的なアルゴリズムに依存している。
論文 参考訳(メタデータ) (2022-10-28T11:13:41Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z) - DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。
アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。
DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-05-28T16:18:08Z) - Dual-view Snapshot Compressive Imaging via Optical Flow Aided Recurrent
Neural Network [14.796204921975733]
デュアルビュースナップショット圧縮イメージング(SCI)は、2つの視野(FoV)からのビデオを1つのスナップショットでキャプチャすることを目的としている。
既存のモデルベースの復号アルゴリズムでは個々のシーンを再構築することは困難である。
本稿では,2重ビデオSCIシステムのための光フロー支援型リカレントニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-09-11T14:24:44Z) - Real Image Super Resolution Via Heterogeneous Model Ensemble using
GP-NAS [63.48801313087118]
本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。
提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
論文 参考訳(メタデータ) (2020-09-02T22:33:23Z) - Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。
次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。
最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。
本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
論文 参考訳(メタデータ) (2020-08-25T06:00:06Z) - Reconstruction of turbulent data with deep generative models for
semantic inpainting from TURB-Rot database [0.0]
本稿では,コンピュータビジョンコミュニティが開発するツールを用いて,流体乱流構成のデータ再構成を行う特徴学習と意味画像のインペインティングについて検討する。
深部生成逆数モデル (Deep-GAN) に埋め込まれた畳み込みニューラルネットワークの乱流中に欠落するデータを生成する能力について検討する。
論文 参考訳(メタデータ) (2020-06-16T14:26:07Z) - Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。
ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。
合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文 参考訳(メタデータ) (2020-04-01T12:56:13Z) - Unlimited Resolution Image Generation with R2D2-GANs [69.90258455164513]
本稿では,任意の解像度の高品質な画像を生成するための新しいシミュレーション手法を提案する。
この方法では、フル長のミッション中に収集したソナースキャンと同等の大きさのソナースキャンを合成することができる。
生成されたデータは、連続的で、現実的に見え、また、取得の実際の速度の少なくとも2倍の速さで生成される。
論文 参考訳(メタデータ) (2020-03-02T17:49:32Z)
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。