論文の概要: Dual-Domain Deep D-bar Method for Solving Electrical Impedance Tomography
- arxiv url: http://arxiv.org/abs/2407.03335v1
- Date: Sun, 12 May 2024 21:55:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 22:09:05.045443
- Title: Dual-Domain Deep D-bar Method for Solving Electrical Impedance Tomography
- Title（参考訳）: Dual-Domain Deep D-bar Method for Solving Electro Impedance Tomography (特集 電気インピーダンス・トモグラフィー)
- Authors: Xiang Cao, Qiaoqiao Ding, Xiaoqun Zhang,
- Abstract要約: 正則化Dバー法は電気インピーダンストモグラフィー(EIT)問題を解く最も顕著な方法の1つである。
Dバー画像は、しばしば正確な高周波情報がないため、コントラストが低く、解像度が低い。
低コントラストDバー画像から高コントラストDバー画像列を検索するためのデュアルドメインニューラルネットワークアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 5.112764609048122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The regularized D-bar method is one of the most prominent methods for solving Electrical Impedance Tomography (EIT) problems due to its efficiency and simplicity. It provides a direct approach by applying low-pass filtering to the scattering data in the non-linear Fourier domain, thereby yielding a smoothed conductivity approximation. However, D-bar images often present low contrast and low resolution due to the absence of accurate high-frequency information and ill-posedness of the problem. In this paper, we proposed a dual-domain neural network architecture to retrieve high-contrast D-bar image sequences from low-contrast D-bar images. To further accentuate the spatial features of the conductivity distribution, the widely adopted U-net has been tailored for conductivity image calibration from the predicted D-bar image sequences. We call such a hybrid approach by Dual-Domain Deep D-bar method due to the consideration of both scattering data and image information. Compared to the single-scale structure, our proposed multi-scale structure exhibits superior capabilities in reducing artifacts and refining conductivity approximation. Additionally, solving discrete D-bar systems using the GMRES algorithm entails significant computational complexity, which is extremely time-consuming on CPU-based devices. To remedy this, we designed a surrogate GPU-based Richardson iterative method to accelerate the data enhancement process by D-bar. Numerical results are presented for simulated EIT data from the KIT4 and ACT4 systems to demonstrate notable improvements in absolute EIT imaging quality when compared to existing methodologies.
- Abstract（参考訳）: 電気インピーダンストモグラフィー(EIT)の高効率化と簡易化により, 正則化D-bar法は最も顕著な解法の一つである。
非線型フーリエ領域の散乱データにローパスフィルタを適用して直接アプローチし、滑らかな導電率近似を与える。
しかしDバー画像は、正確な高周波情報の欠如と問題の不備により、コントラストが低く、解像度が低いことが多い。
本稿では、低コントラストDバー画像から高コントラストDバー画像列を検索するデュアルドメインニューラルネットワークアーキテクチャを提案する。
導電率分布の空間的特徴をより強調するために、広く採用されているU-netは、予測されたD-bar画像列から導電率画像の校正のために調整されている。
このようなハイブリッド手法をDual-Domain Deep D-bar法と呼ぶのは,散乱データと画像情報の両方を考慮するためである。
単スケール構造と比較して, 提案するマルチスケール構造は, アーティファクトの低減と導電率近似の精細化に優れた性能を示す。
さらに、GMRESアルゴリズムを用いて離散Dバーシステムを解くには、CPUベースのデバイスで非常に時間がかかる計算の複雑さが伴う。
そこで我々は,Dバーによるデータ拡張処理を高速化するために,GPUをベースとしたリヒャルトソン反復法を設計した。
KIT4 および ACT4 システムのシミュレーション EIT データの数値計算を行い,既存の手法と比較して絶対 EIT 画像品質が顕著に向上したことを示す。
関連論文リスト
- Deep Learning-Enhanced Preconditioning for Efficient Conjugate Gradient Solvers in Large-Scale PDE Systems [11.712093849918123]
本稿では,グラフニューラルネットワーク(GNN)と従来のICを統合する新しい手法を提案する。
実験の結果、ICと比較してイテレーションの回数が平均24.8%減少した。
このアプローチは、スケールにわたる堅牢な一般化能力を実証する。
論文 参考訳（メタデータ） (2024-12-10T02:34:13Z) - Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。
実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。
我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
論文 参考訳（メタデータ） (2024-09-29T07:14:16Z) - Diff-INR: Generative Regularization for Electrical Impedance Tomography [6.7667436349597985]
電気インピーダンストモグラフィ(EIT)は、境界測定から体内の導電率分布を再構成する。
EIT再構成は、正確な結果が複雑である不適切な非線形逆問題によって妨げられる。
拡散モデルを用いて生成正規化とインプリシットニューラル表現(INR)を組み合わせた新しい手法であるDiff-INRを提案する。
論文 参考訳（メタデータ） (2024-09-06T14:21:23Z) - Entropic Regression DMD (ERDMD) Discovers Informative Sparse and Nonuniformly Time Delayed Models [0.0]
エントロピー回帰を用いた最適多段階動的モード分解モデルを決定する手法を提案する。
非一様時間空間を実現するために,高忠実度時間遅延MDDモデルを生成する手法を開発した。
これらのモデルは、非常に効率的で堅牢であることが示されている。
論文 参考訳（メタデータ） (2024-06-17T20:02:43Z) - Deep Data Consistency: a Fast and Robust Diffusion Model-based Solver for Inverse Problems [0.0]
本研究では,拡散モデルを用いた逆問題解法において,データ一貫性ステップをディープラーニングモデルで更新するディープデータ一貫性(DDC)を提案する。
線形および非線形タスクにおける最先端手法と比較して、DDCは類似度と実性の両方の指標の優れた性能を示す。
論文 参考訳（メタデータ） (2024-05-17T12:54:43Z) - Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。
既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。
本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
論文 参考訳（メタデータ） (2023-11-20T08:27:56Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳（メタデータ） (2023-06-01T03:08:28Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy
CT Reconstruction [108.06731611196291]
我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。
本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
論文 参考訳（メタデータ） (2022-03-10T14:22:54Z) - Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳（メタデータ） (2022-01-27T20:19:07Z) - Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic
Mode Decomposition [1.933681537640272]
半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。
複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。
本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
論文 参考訳（メタデータ） (2020-08-27T18:21:46Z)
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。