論文の概要: Learning to Enhance Aperture Phasor Field for Non-Line-of-Sight Imaging

• arxiv url: http://arxiv.org/abs/2407.18574v1
• Date: Fri, 26 Jul 2024 07:57:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 14:00:25.405924
• Title: Learning to Enhance Aperture Phasor Field for Non-Line-of-Sight Imaging
• Title（参考訳）: 非視線イメージングのための開口ファサーフィールドの学習
• Authors: In Cho, Hyunbo Shim, Seon Joo Kim,
• Abstract要約: 本研究の目的は,サンプリングやスキャンエリアの数を削減し,より実用的なNLOSイメージングを実現することである。 本研究では,デノナイズドオートエンコーダ方式を利用して,測定空間におけるリッチでノイズの多い表現を得る。 我々は、ネットワークのスペクトルを周波数範囲に制限するために、ファサーベースパイプラインを導入する。
• 参考スコア（独自算出の注目度）: 22.365437882740657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper aims to facilitate more practical NLOS imaging by reducing the number of samplings and scan areas. To this end, we introduce a phasor-based enhancement network that is capable of predicting clean and full measurements from noisy partial observations. We leverage a denoising autoencoder scheme to acquire rich and noise-robust representations in the measurement space. Through this pipeline, our enhancement network is trained to accurately reconstruct complete measurements from their corrupted and partial counterparts. However, we observe that the \naive application of denoising often yields degraded and over-smoothed results, caused by unnecessary and spurious frequency signals present in measurements. To address this issue, we introduce a phasor-based pipeline designed to limit the spectrum of our network to the frequency range of interests, where the majority of informative signals are detected. The phasor wavefronts at the aperture, which are band-limited signals, are employed as inputs and outputs of the network, guiding our network to learn from the frequency range of interests and discard unnecessary information. The experimental results in more practical acquisition scenarios demonstrate that we can look around the corners with $16\times$ or $64\times$ fewer samplings and $4\times$ smaller apertures. Our code is available at \url{https://github.com/join16/LEAP}.
• Abstract（参考訳）: 本研究の目的は,サンプリングやスキャンエリアの数を削減し,より実用的なNLOSイメージングを実現することである。 この目的のために,ノイズのある部分的な観測からクリーンで完全な測定を予測できるファサーベースエンハンスメントネットワークを導入する。 本研究では,デノナイズドオートエンコーダ方式を利用して,測定空間におけるリッチでノイズの多い表現を得る。 このパイプラインを通じて、我々の拡張ネットワークは、破損した部分的な測定から完全な測定を正確に再構築するように訓練されている。 しかし,デノナイジング法では,不必要な周波数信号や急激な周波数信号が原因で,劣化や過度なスムース化が生じることが多い。 この問題に対処するため,ネットワークのスペクトルを周波数範囲に制限するファサーベースパイプラインを導入し,ほとんどの情報信号が検出される。 帯域制限信号である開口部のファサー波面は,ネットワークの入力および出力として利用され,その周波数範囲からネットワークを誘導し,不要な情報を捨てる。 より実用的な買収シナリオの実験結果からは、16ドル(約1,600円)または64ドル(約6,800円)のサンプルと4ドル(約4,800円)の小さな開口部で見回せることが示されています。 私たちのコードは \url{https://github.com/join16/LEAP} で利用可能です。

関連論文リスト

• TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。 本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。 空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。 チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Self-supervised Image Denoising with Downsampled Invariance Loss and Conditional Blind-Spot Network [12.478287906337194]
  ほとんどの代表的自己監督型デノイザーは盲点ネットワークに基づいている。 標準的な盲点ネットワークは、ノイズの画素ワイド相関により、実際のカメラノイズを低減できない。 実雑音を除去できる新しい自己教師型トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-19T08:55:27Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• FMNet: Latent Feature-wise Mapping Network for Cleaning up Noisy Micro-Doppler Spectrogram [2.9849405664643585]
  ノイズの多い環境は、マイクロドップラー分光器の解釈不能な動きパターンを引き起こす。 レーダーの帰還は しばしば マルチパス 乱雑 干渉に悩まされる 本稿では,FMNet (Feature Mapping Network) と呼ばれる潜在機能対応マッピング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-09T19:20:41Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain [88.7339322596758]
  本論文では,空間画像と位相スペクトルを組み合わせ,顔の偽造のアップサンプリング成果をキャプチャするSPSL(Spatial-Phase Shallow Learning)法を提案する。 SPSLは、クロスデータセット評価における最先端性能とマルチクラス分類を実現し、単一データセット評価において同等の結果を得ることができる。
  論文  参考訳（メタデータ） (2021-03-02T16:45:08Z)
• Robust and fast post-processing of single-shot spin qubit detection events with a neural network [0.0]
  我々は、単発スピン検出イベントの集合を分類するためにニューラルネットワークを訓練する。 その結果,Rabi-oscillationの可視性は7%向上した。
  論文  参考訳（メタデータ） (2020-12-08T19:13:09Z)
• Differentiable Manifold Reconstruction for Point Cloud Denoising [23.33652755967715]
  3次元点雲は、取得装置の固有の制限のため、ノイズによって乱されることが多い。 雑音のある点の雲の基底多様体を、異なる部分標本化点から学習することを提案する。 提案手法は, 合成雑音と実環境騒音の両面において, 最先端の復調法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2020-07-27T13:31:41Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。