論文の概要: Ground-based Image Deconvolution with Swin Transformer UNet

• arxiv url: http://arxiv.org/abs/2405.07842v1
• Date: Mon, 13 May 2024 15:30:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 13:06:14.522572
• Title: Ground-based Image Deconvolution with Swin Transformer UNet
• Title（参考訳）: Swin Transformer UNetによる地表面画像のデコンボリューション
• Authors: Utsav Akhaury, Pascale Jablonka, Jean-Luc Starck, Frédéric Courbin,
• Abstract要約: Swin Transformerアーキテクチャを用いた2段階のデコンボリューションフレームワークを提案する。 我々の研究は、ディープラーニングベースのソリューションが、科学的分析の範囲を制限してバイアスをもたらすことを明らかにした。 本手法の利点は, 分解能回復, 雑音特性の一般化, 計算効率の両立にある。
• 参考スコア（独自算出の注目度）: 2.41675832913699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As ground-based all-sky astronomical surveys will gather millions of images in the coming years, a critical requirement emerges for the development of fast deconvolution algorithms capable of efficiently improving the spatial resolution of these images. By successfully recovering clean and high-resolution images from these surveys, our objective is to help deepen our understanding of galaxy formation and evolution through accurate photometric measurements. We introduce a two-step deconvolution framework using a Swin Transformer architecture. Our study reveals that the deep learning-based solution introduces a bias, constraining the scope of scientific analysis. To address this limitation, we propose a novel third step relying on the active coefficients in the sparsity wavelet framework. By conducting a performance comparison between our deep learning-based method and Firedec, a classical deconvolution algorithm, we analyze a subset of the EDisCS cluster samples. We demonstrate the advantage of our method in terms of resolution recovery, generalization to different noise properties, and computational efficiency. Not only does the analysis of this cluster sample assess the efficiency of our method, but it also enables us to quantify the number of clumps within these galaxies in relation to their disc colour. This robust technique holds promise for identifying structures in the distant universe from ground-based images.
• Abstract（参考訳）: 地上のオールスキー天体調査では今後数年で数百万の画像が収集されるため、これらの画像の空間分解能を効率的に改善できる高速デコンボリューションアルゴリズムを開発する上で重要な要件が生まれる。 これらの調査からクリーンで高解像度の画像の回収に成功したことにより、正確な測光によって銀河の形成と進化の理解を深めることが目的である。 Swin Transformerアーキテクチャを用いた2段階のデコンボリューションフレームワークを提案する。 我々の研究は、ディープラーニングベースのソリューションが、科学的分析の範囲を制限してバイアスをもたらすことを明らかにした。 この制限に対処するため,スパーシティウェーブレットフレームワークの活性係数に依存する新しい第3ステップを提案する。 従来のデコンボリューションアルゴリズムであるFiredecと深層学習に基づく手法の性能比較を行うことで,EDisCSクラスタサンプルのサブセットを解析する。 本手法の利点は, 分解能回復, 雑音特性の一般化, 計算効率の両立にある。 このクラスター試料の分析は、我々の手法の効率を評価するだけでなく、これらの銀河内のクランプの数を、それらの円盤の色と関連づけて定量化することができる。 この堅牢な技術は、地上の画像から遠くの宇宙の構造を特定することを約束している。

関連論文リスト

• Learning Efficient and Effective Trajectories for Differential Equation-based Image Restoration [59.744840744491945]
  我々は, この手法の軌道最適化を再構築し, 復元品質と効率の両立に焦点をあてる。 本稿では,複雑な経路を適応可能なサイズで複数の管理可能なステップに合理化するためのコスト対応トラジェクトリー蒸留法を提案する。 実験では提案手法の有意な優位性を示し, 最先端手法よりも最大2.1dBのPSNR改善を実現した。
  論文  参考訳（メタデータ） (2024-10-07T07:46:08Z)
• Space-Variant Total Variation boosted by learning techniques in few-view tomographic imaging [0.0]
  本稿では,未決定の線形逆問題に対する空間変動正規化モデルの開発に焦点をあてる。 提案モデルの主な目的は,ディノベーションと細部・縁の保存のバランスを良くすることである。 畳み込みニューラルネットワークは、トレーニングにおいて弾性損失関数を用いて、基底真理像とその勾配を近似するように設計されている。
  論文  参考訳（メタデータ） (2024-04-25T08:58:41Z)
• Passive superresolution imaging of incoherent objects [63.942632088208505]
  手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。 ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:09Z)
• DELAD: Deep Landweber-guided deconvolution with Hessian and sparse prior [0.22940141855172028]
  本稿では,古典的反復法をディープラーニングアプリケーションに組み込んだ非盲検画像デコンボリューションモデルを提案する。 このアルゴリズムは、トレーニング可能な畳み込み層と統合され、復元された画像構造と詳細を強化する。
  論文  参考訳（メタデータ） (2022-09-30T11:15:03Z)
• Generative Adversarial Network (GAN) based Image-Deblurring [0.0]
  スペクトル正則化手法の有効性を示し、スペクトルフィルタリング結果と正則化最適化の解とのリンクを指摘する。 画像の劣化のような不適切な問題に対して、最適化の目的は、我々の以前の知識をソリューションにエンコードする正規化項を含む。 ワッサーシュタイン生成逆数モデルの概念に基づき、正規化関数を学ぶためにCNNを訓練することができる。
  論文  参考訳（メタデータ） (2022-08-24T15:46:09Z)
• Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image Denoising [50.039949798156826]
  本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。 ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。 次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
  論文  参考訳（メタデータ） (2022-07-09T13:35:12Z)
• Mining the manifolds of deep generative models for multiple data-consistent solutions of ill-posed tomographic imaging problems [10.115302976900445]
  断層撮影は一般的に逆問題である。 本稿では,トモグラフィ逆問題に対する複数の解を求める経験的サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T20:27:31Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring [66.91879314310842]
  本稿では,古典的なWienerデコンボリューションフレームワークを学習深い特徴と統合することにより,特徴空間における明示的なデコンボリューションプロセスを提案する。 マルチスケールのカスケード機能改善モジュールは、分離された深い特徴から退色画像を予測する。 提案したDeep Wienerデコンボリューションネットワークは,目に見える成果物が少なく,かつ,最先端の非盲点画像デコンボリューション手法を広いマージンで定量的に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-03-18T00:38:11Z)
• Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
  グループベース画像復元法は,パッチ間の類似性収集に有効である。 各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。 提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
  論文  参考訳（メタデータ） (2020-08-09T15:12:16Z)

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。