論文の概要: WaveMo: Learning Wavefront Modulations to See Through Scattering
- arxiv url: http://arxiv.org/abs/2404.07985v1
- Date: Thu, 11 Apr 2024 17:58:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-12 12:49:46.941395
- Title: WaveMo: Learning Wavefront Modulations to See Through Scattering
- Title（参考訳）: WaveMo: 散乱を通してウェーブフロント変調を学習する
- Authors: Mingyang Xie, Haiyun Guo, Brandon Y. Feng, Lingbo Jin, Ashok Veeraraghavan, Christopher A. Metzler,
- Abstract要約: 本稿では,散乱媒質を用いた画像に最適な波面変調を設計する際のギャップに対処する,新たな学習基盤フレームワークを提案する。
我々は、ウェーブフロント変調と計算的に軽量なフィードフォワード「プロキシ」再構成ネットワークを共同で最適化する。
筆者らのフレームワークが生み出した学習変調は, 目に見えない散乱シナリオを効果的に一般化し, 優れた汎用性を示す。
- 参考スコア（独自算出の注目度）: 18.808523352208407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Imaging through scattering media is a fundamental and pervasive challenge in fields ranging from medical diagnostics to astronomy. A promising strategy to overcome this challenge is wavefront modulation, which induces measurement diversity during image acquisition. Despite its importance, designing optimal wavefront modulations to image through scattering remains under-explored. This paper introduces a novel learning-based framework to address the gap. Our approach jointly optimizes wavefront modulations and a computationally lightweight feedforward "proxy" reconstruction network. This network is trained to recover scenes obscured by scattering, using measurements that are modified by these modulations. The learned modulations produced by our framework generalize effectively to unseen scattering scenarios and exhibit remarkable versatility. During deployment, the learned modulations can be decoupled from the proxy network to augment other more computationally expensive restoration algorithms. Through extensive experiments, we demonstrate our approach significantly advances the state of the art in imaging through scattering media. Our project webpage is at https://wavemo-2024.github.io/.
- Abstract（参考訳）: 散乱媒質によるイメージングは、医学診断から天文学まで幅広い分野において、基礎的で広範にわたる課題である。
この課題を克服するための有望な戦略は、画像取得時に測定の多様性を誘導する波面変調である。
その重要性にもかかわらず、散乱による画像への最適な波面変調を設計することは、まだ未調査のままである。
本稿では,このギャップに対処する新しい学習基盤を提案する。
提案手法は,ウェーブフロント変調と計算量的に軽量なフィードフォワード「プロキシ」再構成ネットワークを協調的に最適化する。
このネットワークは、これらの変調によって修正された測定を用いて、散乱によって隠されたシーンを復元するように訓練されている。
筆者らのフレームワークが生み出した学習変調は, 目に見えない散乱シナリオを効果的に一般化し, 優れた汎用性を示す。
デプロイ中は、学習した変調をプロキシネットワークから切り離して、他の計算コストのかかる復元アルゴリズムを拡張することができる。
広範にわたる実験により,本手法は散乱媒質によるイメージングの最先端性を著しく向上させることを示した。
プロジェクトのWebページはhttps://wavemo-2024.github.io/です。
関連論文リスト
- ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。
我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
論文 参考訳（メタデータ） (2024-03-21T17:52:08Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Holistic Dynamic Frequency Transformer for Image Fusion and Exposure
Correction [19.088429172840428]
露出関連問題の修正は、画像の品質向上における重要な要素である。
本稿では、周波数領域を利用して露出補正タスクの処理を改善し、統一する新しい手法を提案する。
提案手法は, 露光補正においてより高度で統一された解を実現する方法である。
論文 参考訳（メタデータ） (2023-09-03T14:09:14Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - WaveDM: Wavelet-Based Diffusion Models for Image Restoration [43.254438752311714]
Wavelet-based Diffusion Model (WaveDM) は、ウェーブレット変換後の劣化画像のウェーブレットスペクトルに条件付きウェーブレット領域におけるクリーン画像の分布を学習する。
WaveDMは、従来のワンパス手法に匹敵する効率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） (2023-05-23T08:41:04Z) - Embracing Compact and Robust Architectures for Multi-Exposure Image
Fusion [50.598654017728045]
本稿では,堅牢なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを含む探索型パラダイムを提案する。
シーンリライティングと変形可能な畳み込みを利用して、カメラの動きに拘わらず、画像を正確に調整することができる。
我々は、様々な競争方式と比較して最先端の性能を実現し、一般的なシナリオと不整合シナリオに対するPSNRの4.02%と29.34%の改善を実現した。
論文 参考訳（メタデータ） (2023-05-20T17:01:52Z) - Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A
Preliminary Study [5.489791364472879]
近接場合成開口レーダ(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。
一方、撮像の結果は、サイドローブ、クラッタ、ノイズから必然的に劣化する。
イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。
我々は、分解モデルを空間的に可変な複素畳み込みモデルに再構成し、近接場SARのシステム応答を考慮した。
モデルに基づくディープラーニングネットワークは、復元するために設計されている
論文 参考訳（メタデータ） (2022-11-28T01:28:33Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - CM-GAN: Image Inpainting with Cascaded Modulation GAN and Object-Aware
Training [112.96224800952724]
複雑な画像に大きな穴をあける際の可視像構造を生成するためのカスケード変調GAN(CM-GAN)を提案する。
各デコーダブロックにおいて、まず大域変調を適用し、粗い意味認識合成構造を行い、次に大域変調の出力に空間変調を適用し、空間適応的に特徴写像を更に調整する。
さらに,ネットワークがホール内の新たな物体を幻覚させるのを防ぐため,実世界のシナリオにおける物体除去タスクのニーズを満たすために,オブジェクト認識型トレーニングスキームを設計する。
論文 参考訳（メタデータ） (2022-03-22T16:13:27Z) - Accurate and Robust Deep Learning Framework for Solving Wave-Based
Inverse Problems in the Super-Resolution Regime [1.933681537640272]
本稿では,すべての長さスケールにわたる逆波散乱問題を包括的に解決するエンドツーエンドのディープラーニングフレームワークを提案する。
本フレームワークは,新たに導入された広帯域バタフライネットワークと,トレーニング中に動的にノイズを注入する簡単なトレーニング手順から構成される。
論文 参考訳（メタデータ） (2021-06-02T13:30:28Z) - Learning the geometry of wave-based imaging [24.531973107529584]
本研究では、フーリエ積分演算子(FIO)にインスパイアされた解釈可能なニューラルネットワークを構築し、波動物理を近似する。
本研究では,データに暗黙的なFIOによって捕捉された波動伝播の幾何学的形状を,最適輸送に基づく損失によって学習することに集中する。
提案したFIONetは、多くの画像逆問題、特にアウト・オブ・ディストリビューションテストにおいて、通常のベースラインよりもはるかに優れている。
論文 参考訳（メタデータ） (2020-06-10T14:29:54Z)
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。