Fugu-MT 論文翻訳(概要): Super-resolution in disordered media using neural networks

論文の概要: Super-resolution in disordered media using neural networks

arxiv url: http://arxiv.org/abs/2410.21556v2
Date: Wed, 30 Oct 2024 17:27:58 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-31 14:23:41.278755
Title: Super-resolution in disordered media using neural networks
Title（参考訳）: ニューラルネットワークを用いた混乱媒体の超解像
Authors: Alexander Christie, Matan Leibovich, Miguel Moscoso, Alexei Novikov, George Papanicolaou, Chrysoula Tsogka,
Abstract要約: 強散乱媒体における環境媒体のグリーン関数を正確に推定するために,大規模で多様なデータセットを利用する手法を提案する。この現象は超解像としても知られ、周囲散乱媒質が物理的イメージアパーチャを効果的に増強するため起こる。
参考スコア（独自算出の注目度）: 39.128265713171004
License:
Abstract: We propose a methodology that exploits large and diverse data sets to accurately estimate the ambient medium's Green's functions in strongly scattering media. Given these estimates, obtained with and without the use of neural networks, excellent imaging results are achieved, with a resolution that is better than that of a homogeneous medium. This phenomenon, also known as super-resolution, occurs because the ambient scattering medium effectively enhances the physical imaging aperture.
Abstract（参考訳）: 強散乱媒体における環境媒体のグリーン関数を正確に推定するために,大規模で多様なデータセットを利用する手法を提案する。ニューラルネットワークを用いなくても得られるこれらの推定値を考えると、均一媒質よりも優れた解像度で優れた撮像結果が得られる。この現象は超解像としても知られ、周囲散乱媒質が物理的イメージアパーチャを効果的に増強するため起こる。

関連論文リスト

Semi-device independent characterization of multiphoton indistinguishability [0.0]
多光子不明瞭性は、センシングと計算における量子拡張のための中心的な資源である。そこで本研究では,光子数分散の測定に基づく多光子識別性の評価法を提案する。本手法は, 干渉計が誤ってダイヤルされている場合でも有効であるという意味で, 半デバイス独立方式で頑健である。
論文参考訳（メタデータ） (2024-04-29T12:15:06Z)
Efficient Conditional Diffusion Model with Probability Flow Sampling for Image Super-resolution [35.55094110634178]
画像超解像のための確率フローサンプリングを用いた効率的な条件拡散モデルを提案する。提案手法は,既存の拡散型画像超解像法よりも高画質化を実現している。
論文参考訳（メタデータ） (2024-04-16T16:08:59Z)
PSRFlow: Probabilistic Super Resolution with Flow-Based Models for Scientific Data [11.15523311079383]
PSRFlowは、科学データ超解像のための新しい正規化フローベース生成モデルである。以上の結果から,既存の手法と比較して,優れた性能とロバストな不確実性定量化が得られた。
論文参考訳（メタデータ） (2023-08-08T22:10:29Z)
ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文参考訳（メタデータ） (2023-07-03T06:49:04Z)
Guided Depth Super-Resolution by Deep Anisotropic Diffusion [18.445649181582823]
誘導異方性拡散と深層畳み込みネットワークを組み合わせた新しい手法を提案する。誘導深度超解像のための3つの一般的なベンチマークで前例のない結果を得た。
論文参考訳（メタデータ） (2022-11-21T15:48:13Z)
Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文参考訳（メタデータ） (2022-08-01T19:18:26Z)
Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文参考訳（メタデータ） (2022-02-23T18:57:53Z)
Robust photon-efficient imaging using a pixel-wise residual shrinkage network [7.557893223548758]
単光子光検出・測光(LiDAR)は、挑戦的なシナリオで3Dイメージングに広く応用されている。収集されたデータの信号光子数と高雑音は深度画像の正確な予測に大きな課題をもたらしました高雑音データからの光子効率イメージングのための画素ワイド残差縮小ネットワークを提案する。
論文参考訳（メタデータ） (2022-01-05T05:08:12Z)
Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
論文参考訳（メタデータ） (2022-01-04T08:30:09Z)
Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文参考訳（メタデータ） (2021-10-27T18:54:25Z)

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。