Fugu-MT 論文翻訳(概要): Robustness of data-driven approaches in limited angle tomography

論文の概要: Robustness of data-driven approaches in limited angle tomography

arxiv url: http://arxiv.org/abs/2403.11350v2
Date: Wed, 30 Oct 2024 15:34:53 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-31 13:57:06.364345
Title: Robustness of data-driven approaches in limited angle tomography
Title（参考訳）: 限られた角度トモグラフィーにおけるデータ駆動アプローチのロバスト性
Authors: Yiran Wang, Yimin Zhong,
Abstract要約: 本研究では,データ駆動型アプローチが従来のフィルタバックプロジェクション手法と比較して,安定して多くの情報を再構築できるという数学的説明を与える。さらに、U-Netニューラルネットワークに基づく実験を用いて、理論の検証を行う。
参考スコア（独自算出の注目度）: 1.0988643683092072
License:
Abstract: The limited angle Radon transform is notoriously difficult to invert due to its ill-posedness. In this work, we give a mathematical explanation that data-driven approaches can stably reconstruct more information compared to traditional methods like filtered backprojection. In addition, we use experiments based on the U-Net neural network to validate our theory.
Abstract（参考訳）: 限られた角度のラドン変換は、その不作為逆転が難しいことで知られている。本研究では,データ駆動型アプローチが従来のフィルタバックプロジェクション手法と比較して,安定して多くの情報を再構築できるという数学的説明を与える。さらに、U-Netニューラルネットワークに基づく実験を用いて、理論の検証を行う。

関連論文リスト

Learning end-to-end inversion of circular Radon transforms in the partial radial setup [0.0]
光音響トモグラフィーで発生する部分放射能セットアップにおける円形ラドン変換の逆変換のための深層学習アルゴリズムを提案する。まず、この問題を解決するのに唯一の伝統的なアルゴリズムである、切り詰められた特異値分解に基づく手法が、再構成されたフィールドを使用不能とみなす深刻なアーティファクトを生み出すことを実証した。この計算ボトルネックを克服する目的で、ResBlockベースのU-Netをトレーニングし、測定データ上で直接動作する推論されたフィールドを復元する。
論文参考訳（メタデータ） (2023-08-27T15:57:08Z)
Unsupervised Learning of Invariance Transformations [105.54048699217668]
近似グラフ自己同型を見つけるためのアルゴリズムフレームワークを開発する。重み付きグラフにおける近似自己同型を見つけるために、このフレームワークをどのように利用できるかについて議論する。
論文参考訳（メタデータ） (2023-07-24T17:03:28Z)
Robust Explanation Constraints for Neural Networks [33.14373978947437]
ニューラルネットワークの意図で使われるポストホックな説明法は、しばしば彼らの出力を信頼するのに役立つと言われている。我々のトレーニング方法は、ニューラルネットワークを学習できる唯一の方法であり、6つのテストネットワークでテストされた堅牢性に関する洞察を持つ。
論文参考訳（メタデータ） (2022-12-16T14:40:25Z)
Transformer Meets Boundary Value Inverse Problems [4.165221477234755]
変圧器を用いた深部直接サンプリング法は境界値逆問題のクラスを解くために提案される。慎重に設計されたデータと再構成された画像の間に学習した逆演算子を評価することにより、リアルタイムな再構成を実現する。
論文参考訳（メタデータ） (2022-09-29T17:45:25Z)
Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文参考訳（メタデータ） (2021-11-27T12:12:57Z)
Deep Microlocal Reconstruction for Limited-Angle Tomography [1.559929646151698]
トモグラフィー画像における再構成問題とウェーブフロントセット抽出問題を共同で解くための深層学習に基づくアルゴリズムを提案する。このアルゴリズムは、最近開発されたデジタルウェーブフロントセット抽出器と、ラドン変換のよく知られた局所的標準関係に基づいている。
論文参考訳（メタデータ） (2021-08-12T13:16:38Z)
Embracing the Dark Knowledge: Domain Generalization Using Regularized Knowledge Distillation [65.79387438988554]
十分なデータと代表データがない場合の一般化能力の欠如は、その実践的応用を妨げる課題の1つである。我々はKDDG(Knowledge Distillation for Domain Generalization)という,シンプルで効果的な,プラグアンドプレイのトレーニング戦略を提案する。教師ネットワークからの「より豊かな暗黒知識」と、我々が提案した勾配フィルタの両方が、マッピングの学習の難しさを軽減することができる。
論文参考訳（メタデータ） (2021-07-06T14:08:54Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
Learning Topology from Synthetic Data for Unsupervised Depth Completion [66.26787962258346]
画像から高密度深度マップとスパース深度測定を推定する手法を提案する。我々は,疎点雲と密度の高い自然形状の関係を学習し,その画像を用いて予測深度マップの検証を行う。
論文参考訳（メタデータ） (2021-06-06T00:21:12Z)
Distance-Based Regularisation of Deep Networks for Fine-Tuning [116.71288796019809]
我々は,仮説クラスを,初期訓練前の重みを中心にした小さな球面に制約するアルゴリズムを開発した。実験的な評価は、我々のアルゴリズムがうまく機能していることを示し、理論的な結果を裏付けるものである。
論文参考訳（メタデータ） (2020-02-19T16:00:47Z)

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。