論文の概要: Physical prior guided cooperative learning framework for joint turbulence degradation estimation and infrared video restoration
- arxiv url: http://arxiv.org/abs/2408.04227v1
- Date: Thu, 8 Aug 2024 05:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-09 16:40:03.117051
- Title: Physical prior guided cooperative learning framework for joint turbulence degradation estimation and infrared video restoration
- Title（参考訳）: 関節乱流劣化推定と赤外線ビデオ再生のための物理先導協調学習フレームワーク
- Authors: Ziran Zhang, Yuhang Tang, Zhigang Wang, Yueting Chen, Bin Zhao,
- Abstract要約: 本稿では,大気乱流強度推定と赤外線画像復元を共同で行う物理先導協調学習フレームワークを提案する。
TMNetは乱流強度を測定し、屈折率構造定数(Cn2)を物理先行として出力する。
TRNetは、Cn2に基づいて赤外線画像シーケンス復元を行い、復元された画像をTMNetにフィードバックし、測定精度を高める。
- 参考スコア（独自算出の注目度）: 14.210117829243481
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Infrared imaging and turbulence strength measurements are in widespread demand in many fields. This paper introduces a Physical Prior Guided Cooperative Learning (P2GCL) framework to jointly enhance atmospheric turbulence strength estimation and infrared image restoration. P2GCL involves a cyclic collaboration between two models, i.e., a TMNet measures turbulence strength and outputs the refractive index structure constant (Cn2) as a physical prior, a TRNet conducts infrared image sequence restoration based on Cn2 and feeds the restored images back to the TMNet to boost the measurement accuracy. A novel Cn2-guided frequency loss function and a physical constraint loss are introduced to align the training process with physical theories. Experiments demonstrate P2GCL achieves the best performance for both turbulence strength estimation (improving Cn2 MAE by 0.0156, enhancing R2 by 0.1065) and image restoration (enhancing PSNR by 0.2775 dB), validating the significant impact of physical prior guided cooperative learning.
- Abstract（参考訳）: 赤外線イメージングと乱流強度測定は、多くの分野で広く求められている。
本稿では,大気乱流強度推定と赤外画像復元を共同で行うP2GCLフレームワークを提案する。
P2GCLは、2つのモデル、すなわちTMNetが乱流強度を測定し、屈折率構造定数(Cn2)を物理先行として出力し、TRNetがCn2に基づいて赤外線画像シーケンス復元を行い、復元された画像をTMNetにフィードバックして測定精度を高める。
トレーニングプロセスと物理理論を整合させるために、新しいCn2誘導周波数損失関数と物理制約損失を導入する。
実験では、P2GCLが乱流強度推定(Cn2 MAE 0.0156、R2 0.01065)と画像復元(PSNR 0.2775 dB)の両方において最高の性能を達成し、物理的事前指導型協調学習の重大な影響を検証した。
関連論文リスト
- Analysis of Deep Image Prior and Exploiting Self-Guidance for Image
Reconstruction [13.277067849874756]
DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。
ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。
提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
論文 参考訳（メタデータ） (2024-02-06T15:52:23Z) - Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT
(CBCT) Enhancement with Multi-task Customized Perceptual Loss [9.59233136691378]
コーンビームCT(CBCT)は画像誘導放射線治療中に定期的に収集される。
近年, 深層学習に基づくCBCT強調法は, 人工物抑制に有望な成果を上げている。
本稿では,高画質CBCT画像から高画質CTライク画像へ変換する特徴指向ディープラ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） (2023-11-01T10:09:01Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。
再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
論文 参考訳（メタデータ） (2023-05-04T12:20:51Z) - Relationship Quantification of Image Degradations [72.98190570967937]
劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。
DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。
得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
論文 参考訳（メタデータ） (2022-12-08T09:05:19Z) - JR2net: A Joint Non-Linear Representation and Recovery Network for
Compressive Spectral Imaging [22.0246327137227]
本研究は, 共同非線形表現・回復ネットワーク(JR2net)を提案する。
JR2netは、非線型な低次元表現を学習し、同時にスペクトル画像復元を行うADMM定式化に従って最適化されたネットワークで構成されている。
実験の結果,PSNRでは2.57dBまで向上し,2000倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-05-16T15:48:42Z) - CNN-based regularisation for CT image reconstructions [0.0]
X線CTインフラ(X-ray Computed Tomography Infrastructures)は、被検物体を横断する光の取得に頼り、その強度低下を計測する医療画像モダリティである。
物理測定は数学的再構成アルゴリズムによって後処理され、より弱いか最上位の整合性を保証する。
深層学習法、特に完全畳み込みネットワークは広範囲に研究され、そのようなずれをフィルタリングするのに効率的であることが証明されている。
論文 参考訳（メタデータ） (2022-01-22T21:30:47Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Operationalizing Convolutional Neural Network Architectures for
Prohibited Object Detection in X-Ray Imagery [15.694880385913534]
本稿では,近年の2つのエンドツーエンドオブジェクト検出CNNアーキテクチャ,Cascade R-CNNとFreeAnchorの実現可能性について検討する。
パラメータが少なく訓練時間も少ないため、FreeAnchorは13 fps (3.9 ms)の最大検出速度を達成している。
CNNモデルは、損失のある圧縮に対してかなりのレジリエンスを示し、JPEG圧縮レベル50においてmAPの1.1%しか減少しない。
論文 参考訳（メタデータ） (2021-10-10T21:20:04Z) - Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction
of Thin-Slice MR Images [62.4428833931443]
太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。
深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。
MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
論文 参考訳（メタデータ） (2021-06-29T13:29:18Z) - Learning to Restore a Single Face Image Degraded by Atmospheric
Turbulence using CNNs [93.72048616001064]
このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。
乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
論文 参考訳（メタデータ） (2020-07-16T15:25:08Z)
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。