論文の概要: Event-horizon-scale Imaging of M87* under Different Assumptions via Deep Generative Image Priors

• arxiv url: http://arxiv.org/abs/2406.02785v1
• Date: Tue, 4 Jun 2024 21:08:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 22:37:23.774685
• Title: Event-horizon-scale Imaging of M87* under Different Assumptions via Deep Generative Image Priors
• Title（参考訳）: 深部生成画像を用いたM87*のイベントホライゾンスケールイメージング
• Authors: Berthy T. Feng, Katherine L. Bouman, William T. Freeman,
• Abstract要約: 本稿では,画像再構成に様々なバイアスを与える,フレキシブルな事前設計の枠組みを提案する。 当社のフレームワークは、深層生成モデルから生じるデータ駆動の事前処理であるスコアベースの事前処理で使用しています。 シミュレーションデータに加えて、実際のEHT M87*データを画像化し、以前の選択によってどのように復元された特徴が影響されるかについて議論する。
• 参考スコア（独自算出の注目度）: 29.29504527542501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing images from the Event Horizon Telescope (EHT) observations of M87*, the supermassive black hole at the center of the galaxy M87, depends on a prior to impose desired image statistics. However, given the impossibility of directly observing black holes, there is no clear choice for a prior. We present a framework for flexibly designing a range of priors, each bringing different biases to the image reconstruction. These priors can be weak (e.g., impose only basic natural-image statistics) or strong (e.g., impose assumptions of black-hole structure). Our framework uses Bayesian inference with score-based priors, which are data-driven priors arising from a deep generative model that can learn complicated image distributions. Using our Bayesian imaging approach with sophisticated data-driven priors, we can assess how visual features and uncertainty of reconstructed images change depending on the prior. In addition to simulated data, we image the real EHT M87* data and discuss how recovered features are influenced by the choice of prior.
• Abstract（参考訳）: 銀河M87の中心にある超大質量ブラックホールM87*のイベント・ホライゾン望遠鏡(EHT)観測による画像の再構成は、望まれる画像統計に先立って行われる。 しかし、直接ブラックホールを観測できないことを考えると、事前に明確な選択肢はない。 本稿では,画像再構成に様々なバイアスを与える,フレキシブルな事前設計の枠組みを提案する。 これらの先行は弱い(例えば、基本的な自然像統計のみを課す)か強い(例えば、ブラックホールの構造の仮定を課す)。 我々のフレームワークは、複雑な画像分布を学習できる深層生成モデルから生じるデータ駆動の先行データであるスコアに基づくベイズ推定を用いる。 より高度なデータ駆動型先行画像を用いたベイジアンイメージング手法により, 画像の視覚的特徴や不確実性が, 先行画像によってどのように変化するかを評価することができる。 シミュレーションデータに加えて、実際のEHT M87*データを画像化し、以前の選択によってどのように復元された特徴が影響されるかについて議論する。

関連論文リスト

• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Scalable Bayesian uncertainty quantification with data-driven priors for radio interferometric imaging [5.678038945350452]
  次世代の電波干渉計は、前例のない角分解能と感度のおかげで、科学的発見を解き放つ可能性がある。 潜在的な可能性を解き放つ鍵の1つは、受信データの希薄さと複雑さを扱うことである。 本研究では,ラジオインターフェロメトリイメージングにおける不確実性定量化に対処するQuantifAIという手法を提案する。
  論文  参考訳（メタデータ） (2023-11-30T19:00:02Z)
• Score-Based Diffusion Models as Principled Priors for Inverse Imaging [46.19536250098105]
  本稿では,スコアに基づく拡散モデルを原理化された画像優先モデルに変換することを提案する。 本稿では, この確率関数を変分推論に用いることにより, 後部から試料を抽出する方法を示す。
  論文  参考訳（メタデータ） (2023-04-23T21:05:59Z)
• Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
  我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。 アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:42Z)
• Posterior Sampling for Image Restoration using Explicit Patch Priors [13.01340027081454]
  劣化した画像から全画像の後部確率をサンプリングするために,自然画像のパッチに対する明示的な先行点を組み合わせる方法を示す。 実験の結果,パッチプライオリティを用いた後方サンプリングは,画像復元の課題範囲において,高い知覚品質と高psnrのイメージを生じさせることがわかった。
  論文  参考訳（メタデータ） (2021-04-20T11:11:33Z)
• Spatial Attention Improves Iterative 6D Object Pose Estimation [52.365075652976735]
  本稿では,RGB画像を用いた6次元ポーズ推定の改良手法を提案する。 私たちの主な洞察力は、最初のポーズ推定の後、オブジェクトの異なる空間的特徴に注意を払うことが重要です。 実験により,このアプローチが空間的特徴に順応することを学び,被写体の一部を無視することを学び,データセット間でのポーズ推定を改善することを実証した。
  論文  参考訳（メタデータ） (2021-01-05T17:18:52Z)
• Deep Probabilistic Imaging: Uncertainty Quantification and Multi-modal Solution Characterization for Computational Imaging [11.677576854233394]
  本稿では,再構成の不確かさを定量化するために,変分深い確率的イメージング手法を提案する。 Deep Probabilistic Imagingは、未学習の深部生成モデルを用いて、未観測画像の後部分布を推定する。
  論文  参考訳（メタデータ） (2020-10-27T17:23:09Z)
• Learning Monocular Dense Depth from Events [53.078665310545745]
  イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。 最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。 本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T12:36:23Z)
• A Contrastive Learning Approach for Training Variational Autoencoder Priors [137.62674958536712]
  変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。 VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。 本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
  論文  参考訳（メタデータ） (2020-10-06T17:59:02Z)

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。