Fugu-MT 論文翻訳(概要): Harnessing Data and Physics for Deep Learning Phase Recovery

論文の概要: Harnessing Data and Physics for Deep Learning Phase Recovery

arxiv url: http://arxiv.org/abs/2404.01360v1
Date: Mon, 1 Apr 2024 11:42:43 GMT
ステータス: 処理完了
システム内更新日: 2024-04-03 20:56:59.854426
Title: Harnessing Data and Physics for Deep Learning Phase Recovery
Title（参考訳）: 深層学習相回復のためのハーネスデータと物理
Authors: Kaiqiang Wang, Edmund Y. Lam,
Abstract要約: 深層学習フェーズ回復戦略は、教師付き学習モードを持つデータ駆動型(DD)と、自己教師型学習モードを持つ物理駆動型(PD)である。本稿では,これら2つの深層学習位相回復戦略を,時間消費,精度,一般化,能力,不適応性,事前能力の観点から総合的に比較する。
参考スコア（独自算出の注目度）: 9.61250192946006
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Phase recovery, calculating the phase of a light wave from its intensity measurements, is essential for various applications, such as coherent diffraction imaging, adaptive optics, and biomedical imaging. It enables the reconstruction of an object's refractive index distribution or topography as well as the correction of imaging system aberrations. In recent years, deep learning has been proven to be highly effective in addressing phase recovery problems. Two main deep learning phase recovery strategies are data-driven (DD) with supervised learning mode and physics-driven (PD) with self-supervised learning mode. DD and PD achieve the same goal in different ways and lack the necessary study to reveal similarities and differences. Therefore, in this paper, we comprehensively compare these two deep learning phase recovery strategies in terms of time consumption, accuracy, generalization ability, ill-posedness adaptability, and prior capacity. What's more, we propose a co-driven (CD) strategy of combining datasets and physics for the balance of high- and low-frequency information. The codes for DD, PD, and CD are publicly available at https://github.com/kqwang/DLPR.
Abstract（参考訳）: 光波の位相をその強度測定から計算する位相回復は、コヒーレント回折イメージング、適応光学、バイオメディカルイメージングなどの様々な用途に欠かせない。これにより、物体の屈折率分布や地形の再構成や、撮像システムの収差の補正が可能になる。近年,位相回復問題の解決にディープラーニングが有効であることが証明されている。深層学習フェーズ回復戦略は、教師付き学習モードを持つデータ駆動型(DD)と、自己教師型学習モードを持つ物理駆動型(PD)である。 DDとPDは同じ目的を異なる方法で達成し、類似点と相違点を明らかにするために必要な研究を欠いている。そこで本稿では,これら2つの深層学習位相回復戦略を,時間消費,精度,一般化能力,不適応性,事前能力の観点から総合的に比較する。さらに,高頻度情報と低周波情報のバランスをとるために,データセットと物理を組み合わせた協調型(CD)戦略を提案する。 DD、PD、CDのコードはhttps://github.com/kqwang/DLPRで公開されている。

関連論文リスト

Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
論文参考訳（メタデータ） (2024-08-20T13:11:43Z)
Contrastive-Adversarial and Diffusion: Exploring pre-training and fine-tuning strategies for sulcal identification [3.0398616939692777]
対人学習、コントラスト学習、拡散認知学習、通常の再構成学習といった技術が標準となっている。この研究は、ニューラルネットワークの学習プロセスを強化するために、事前学習技術と微調整戦略の利点を解明することを目的としている。
論文参考訳（メタデータ） (2024-05-29T15:44:51Z)
Restoring Vision in Hazy Weather with Hierarchical Contrastive Learning [53.85892601302974]
階層的コントラストデハージング(HCD)という,効果的な画像デハージング手法を提案する。 HCDは階層的脱ハージングネットワーク(HDN)と新しい階層的コントラスト損失(HCL)から構成される
論文参考訳（メタデータ） (2022-12-22T03:57:06Z)
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)
Physics-/Model-Based and Data-Driven Methods for Low-Dose Computed Tomography: A survey [21.430431819394414]
2016年には、特に低線量CT(LDCT)画像において、高度なトモグラフィーが成功している。 LDCTはビッグデータによって駆動されるが、純粋なエンドツーエンド再構築ネットワークはブラックボックスの性質や不安定性などの大きな問題に悩まされることが多い。新たなトレンドは、イメージング物理学とモデルをディープネットワークに統合し、物理/モデルベースおよびデータ駆動要素のハイブリッド化を可能にすることだ。
論文参考訳（メタデータ） (2022-03-29T16:36:51Z)
FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文参考訳（メタデータ） (2022-01-29T13:45:39Z)
AutoPhaseNN: Unsupervised Physics-aware Deep Learning of 3D Nanoscale Coherent Imaging [5.745058078090997]
位相探索の問題は天文学からナノスケールイメージングまで様々なイメージング手法を基礎にしている。伝統的な位相探索法は本質的に反復的であり、計算に高価で時間を要する。 DLモデルは、学習前の反復位相検索または測定強度のみからの位相情報を置き換える。
論文参考訳（メタデータ） (2021-09-28T21:16:34Z)
Data augmentation for deep learning based accelerated MRI reconstruction with limited data [46.44703053411933]
ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
論文参考訳（メタデータ） (2021-06-28T19:08:46Z)
Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文参考訳（メタデータ） (2021-01-12T08:36:23Z)
Single-shot Hyperspectral-Depth Imaging with Learned Diffractive Optics [72.9038524082252]
単発単眼単眼ハイパースペクトル(HS-D)イメージング法を提案する。本手法では, 回折光学素子 (DOE) を用いる。 DOE の学習を容易にするため,ベンチトップ HS-D イメージラーを構築することで,最初の HS-D データセットを提案する。
論文参考訳（メタデータ） (2020-09-01T14:19:35Z)
Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
論文参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。