論文の概要: Solar multi-object multi-frame blind deconvolution with a spatially variant convolution neural emulator
- arxiv url: http://arxiv.org/abs/2405.09864v1
- Date: Thu, 16 May 2024 07:42:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-17 15:01:20.833468
- Title: Solar multi-object multi-frame blind deconvolution with a spatially variant convolution neural emulator
- Title（参考訳）: 空間可変畳み込みニューラルエミュレータを用いた太陽多対象多フレームブラインドデコンボリューション
- Authors: A. Asensio Ramos,
- Abstract要約: 本稿では,深層ニューラルネットワークを用いた空間変化畳み込みをエミュレートする新しい枠組みを提案する。
空間不変点拡散関数を伴う画像のデータセットをトレーニングすることにより、従来の手法よりも大幅に進歩することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study of astronomical phenomena through ground-based observations is always challenged by the distorting effects of Earth's atmosphere. Traditional methods of post-facto image correction, essential for correcting these distortions, often rely on simplifying assumptions that limit their effectiveness, particularly in the presence of spatially variant atmospheric turbulence. Such cases are often solved by partitioning the field-of-view into small patches, deconvolving each patch independently, and merging all patches together. This approach is often inefficient and can produce artifacts. Recent advancements in computational techniques and the advent of deep learning offer new pathways to address these limitations. This paper introduces a novel framework leveraging a deep neural network to emulate spatially variant convolutions, offering a breakthrough in the efficiency and accuracy of astronomical image deconvolution. By training on a dataset of images convolved with spatially invariant point spread functions and validating its generalizability to spatially variant conditions, this approach presents a significant advancement over traditional methods. The convolution emulator is used as a forward model in a multi-object multi-frame blind deconvolution algorithm for solar images. The emulator enables the deconvolution of solar observations across large fields of view without resorting to patch-wise mosaicking, thus avoiding artifacts associated with such techniques. This method represents a significant computational advantage, reducing processing times by orders of magnitude.
- Abstract（参考訳）: 地上観測による天文学的な現象の研究は、地球の大気のゆがみの影響によって常に挑戦される。
これらの歪みを修正するのに不可欠な従来のポストファクト画像補正法は、特に空間的に変化する大気乱流の存在において、その効果を制限する仮定を単純化することに依存することが多い。
このようなケースは、視野を小さなパッチに分割し、各パッチを独立して分離し、すべてのパッチをマージすることで解決されることが多い。
このアプローチはしばしば非効率であり、アーティファクトを生成できる。
近年の計算技術の発展とディープラーニングの出現は、これらの制限に対処するための新しい経路を提供する。
本稿では、深層ニューラルネットワークを利用して空間変化の畳み込みをエミュレートし、天体画像の畳み込みの効率と精度を突破する新しい枠組みを提案する。
空間不変点拡散関数を伴う画像のデータセットをトレーニングし、空間不変点拡散関数の一般化性を検証することにより、従来の手法よりも顕著な進歩を示す。
畳み込みエミュレータは、太陽画像のための多目的多フレームブラインドデコンボリューションアルゴリズムの前方モデルとして使用される。
エミュレータは、パッチワイドモザイクに頼ることなく、広い視野での太陽観測の非畳み込みを可能にし、そのような技術に関連する人工物を避ける。
この方法は、処理時間を桁違いに削減し、計算上の優位性を示す。
関連論文リスト
- Blind Time-of-Flight Imaging: Sparse Deconvolution on the Continuum with Unknown Kernels [8.59982222642104]
ToF (Computer Time-of-Flight) イメージングは、エキサイティングで新しい画像モダリティとして登場した。
本稿では,カーネルキャリブレーションを必要とせず,連続体上のスパーススパイクを回復する新しいToFイメージング手法を提案する。
論文 参考訳（メタデータ） (2024-10-31T22:42:02Z) - Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。
特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。
拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文 参考訳（メタデータ） (2024-06-26T17:40:30Z) - 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) - Accelerating Multiframe Blind Deconvolution via Deep Learning [0.0]
地上からの太陽画像の復元は計算に費用がかかる手続きである。
本稿では,アルゴリズムのアンロールに基づく復元を高速化する手法を提案する。
両手法が標準最適化法と比較して復元時間を大幅に短縮することを示した。
論文 参考訳（メタデータ） (2023-06-21T07:53:00Z) - RISP: Rendering-Invariant State Predictor with Differentiable Simulation
and Rendering for Cross-Domain Parameter Estimation [110.4255414234771]
既存のソリューションでは、大量のトレーニングデータが必要か、未知のレンダリング設定への一般化性が欠如している。
本稿では、ドメインのランダム化と微分可能なレンダリング勾配を併用してこの問題に対処する手法を提案する。
提案手法は, 再構成誤差を大幅に低減し, 未知のレンダリング構成間の一般化性が向上する。
論文 参考訳（メタデータ） (2022-05-11T17:59:51Z) - Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。
HSI再構成のための深層学習にHSI空間を埋め込んだCST
特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文 参考訳（メタデータ） (2022-03-09T16:17:47Z) - 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) - Video Frame Interpolation Transformer [86.20646863821908]
本稿では,トランスフォーマーをベースとした動画フレームワークを提案し,コンテンツ認識集約の重み付けと,自己注意操作による長距離依存を考慮した。
グローバルな自己注意の計算コストが高くなるのを避けるため、ビデオに局所的注意の概念を導入する。
さらに,トランスフォーマーの可能性を完全に実現するためのマルチスケール・フレーム・スキームを開発した。
論文 参考訳（メタデータ） (2021-11-27T05:35:10Z) - Manifold-Inspired Single Image Interpolation [17.304301226838614]
単画像への多くのアプローチは半局所類似性を利用するために多様体モデルを使用する。
入力画像のエイリアス化は どちらの部分も困難です
本稿では,重度のエイリアス領域におけるエイリアス除去のための適応手法を提案する。
この技術は、強いエイリアスが存在する場合でも、類似したパッチを確実に識別することができる。
論文 参考訳（メタデータ） (2021-07-31T04:29:05Z) - Learning to do multiframe wavefront sensing unsupervisedly: applications
to blind deconvolution [0.0]
視覚障害者の深層学習システムのための教師なし学習手法を提案する。
点状や拡張対象の補正にも応用できる。
ネットワークモデルは、標準的なデコンボリューションよりも約3桁高速である。
論文 参考訳（メタデータ） (2020-06-02T08:02:12Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。