論文の概要: Machine Learning for Improved Current Density Reconstruction from 2D Vector Magnetic Images

• arxiv url: http://arxiv.org/abs/2407.14553v2
• Date: Sun, 4 Aug 2024 03:12:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-25 14:30:57.244115
• Title: Machine Learning for Improved Current Density Reconstruction from 2D Vector Magnetic Images
• Title（参考訳）: 2次元ベクトル磁気画像からの電流密度再構成のための機械学習
• Authors: Niko R. Reed, Danyal Bhutto, Matthew J. Turner, Declan M. Daly, Sean M. Oliver, Jiashen Tang, Kevin S. Olsson, Nicholas Langellier, Mark J. H. Ku, Matthew S. Rosen, Ronald L. Walsworth,
• Abstract要約: ベクトル磁場の2次元画像から電流密度再構成のための深部畳み込みニューラルネットワークについて述べる。 この機械学習技術は、低いSNRデータに対する品質逆転を可能とし、データ収集時間を約400倍に短縮する。
• 参考スコア（独自算出の注目度）: 0.8572470196825325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reconstruction of electrical current densities from magnetic field measurements is an important technique with applications in materials science, circuit design, quality control, plasma physics, and biology. Analytic reconstruction methods exist for planar currents, but break down in the presence of high spatial frequency noise or large standoff distance, restricting the types of systems that can be studied. Here, we demonstrate the use of a deep convolutional neural network for current density reconstruction from two-dimensional (2D) images of vector magnetic fields acquired by a quantum diamond microscope (QDM) utilizing a surface layer of Nitrogen Vacancy (NV) centers in diamond. Trained network performance significantly exceeds analytic reconstruction for data with high noise or large standoff distances. This machine learning technique can perform quality inversions on lower SNR data, reducing the data collection time by a factor of about 400 and permitting reconstructions of weaker and three-dimensional current sources.
• Abstract（参考訳）: 磁場測定による電流密度の再構成は、材料科学、回路設計、品質制御、プラズマ物理学、生物学における重要な技術である。 平面電流に対する解析的再構成法は存在するが、高空間周波数ノイズや大きなスタンドオフ距離の存在下では分解され、研究可能なシステムの種類が制限される。 本稿では, 量子ダイヤモンド顕微鏡 (QDM) で取得したベクトル磁場の2次元(2次元)画像から, ダイヤモンド中の窒素空孔 (NV) 中心の表面層を利用して, 電流密度再構成にディープ畳み込みニューラルネットワークを用いることを実証する。 トレーニングされたネットワーク性能は、高いノイズや大きな待機距離を持つデータの解析的再構成をはるかに上回る。 この機械学習技術は、低いSNRデータの品質インバージョンを実行し、データ収集時間を約400倍に短縮し、より弱い3次元電流源の再構築を可能にする。

関連論文リスト

• Optimized Current Density Reconstruction from Widefield Quantum Diamond Magnetic Field Maps [0.0]
  ダイヤモンド結晶中の窒素原子価(NV)欠陥を利用した量子ダイヤモンド顕微鏡は、様々なナノスケール電流プロファイルの磁場イメージングを可能にした。 現在の密度を再構築する問題は、研究中の構造について重要な洞察を与える。 推論に基づく再構成の新しい代替手段として,学習アルゴリズムとベイズ的手法が提案されている。
  論文  参考訳（メタデータ） (2024-02-23T10:57:07Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Physics-informed neural networks for gravity currents reconstruction from limited data [0.0]
  本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。 PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
  論文  参考訳（メタデータ） (2022-11-03T11:27:29Z)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion [85.24673400250671]
  ニューラル・ボリューム・フュージョン (BNV-Fusion) は, ニューラル・暗黙表現とニューラル・レンダリングの最近の進歩を活用して高密度3次元再構成を行う。 新しい深度マップをグローバルな暗黙的表現に漸進的に統合するために、我々は新しい二段階融合戦略を提案する。 提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。
  論文  参考訳（メタデータ） (2022-04-03T19:33:09Z)
• Three-dimensional imaging of integrated-circuit activity using quantum defects in diamond [0.0]
  開発前の多層集積回路内を流れる電流によって生成されたオアーステッド場を, ダイヤモンド中の窒素空孔近傍で探究する。 室温での空間分解能は,約$approx 10,rm mu A / mu m2$,sub-micronである。
  論文  参考訳（メタデータ） (2021-12-22T22:16:19Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Homotopic Gradients of Generative Density Priors for MR Image Reconstruction [17.260092753832545]
  MRI再建のためには, 生成密度先行のホモトピック勾配が提案されている。 その結果,HGGDPは高い再構成精度で顕著な性能を示した。
  論文  参考訳（メタデータ） (2020-08-14T10:30:12Z)

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。