論文の概要: BCDDM: Branch-Corrected Denoising Diffusion Model for Black Hole Image Generation

• arxiv url: http://arxiv.org/abs/2502.08528v1
• Date: Wed, 12 Feb 2025 16:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:45:23.446085
• Title: BCDDM: Branch-Corrected Denoising Diffusion Model for Black Hole Image Generation
• Title（参考訳）: BCDDM:ブラックホール画像生成のための分岐補正デノイング拡散モデル
• Authors: Ao liu, Zelin Zhang, Songbai Chen, Cuihong Wen,
• Abstract要約: 一般相対論的レイトレーシング(GRRT)により生成されたシミュレーション画像にイベントホライゾン望遠鏡(EHT)データを適用することにより、ブラックホールと降着流を推定することができる。 GRRTの計算集約性のため、特定の放射線フラックス画像を生成する効率を向上させる必要がある。 本稿では,分岐補正機構と重み付き混合損失関数を用いて生成したブラックホール画像の精度を向上させる分岐補正除音拡散モデル(BCDDM)を提案する。
• 参考スコア（独自算出の注目度）: 12.638969185454846
• License:
• Abstract: The properties of black holes and accretion flows can be inferred by fitting Event Horizon Telescope (EHT) data to simulated images generated through general relativistic ray tracing (GRRT). However, due to the computationally intensive nature of GRRT, the efficiency of generating specific radiation flux images needs to be improved. This paper introduces the Branch Correction Denoising Diffusion Model (BCDDM), which uses a branch correction mechanism and a weighted mixed loss function to improve the accuracy of generated black hole images based on seven physical parameters of the radiatively inefficient accretion flow (RIAF) model. Our experiments show a strong correlation between the generated images and their physical parameters. By enhancing the GRRT dataset with BCDDM-generated images and using ResNet50 for parameter regression, we achieve significant improvements in parameter prediction performance. This approach reduces computational costs and provides a faster, more efficient method for dataset expansion, parameter estimation, and model fitting.
• Abstract（参考訳）: 一般相対論的レイトレーシング(GRRT)により生成されたシミュレーション画像にイベントホライゾン望遠鏡(EHT)データを適用することにより、ブラックホールと降着流の特性を推定することができる。 しかし、GRRTの計算集約性のため、特定の放射線フラックス画像を生成する効率を向上させる必要がある。 本稿では,分枝補正機構と重み付き混合損失関数を用いて,放射非効率降着流(RIAF)モデルの7つの物理パラメータに基づいて生成したブラックホール画像の精度を向上させる分岐補正除音拡散モデル(BCDDM)を提案する。 実験の結果,生成した画像と物理パラメータとの間には強い相関関係が認められた。 GRRTデータセットをBCDDM生成画像で拡張し、パラメータ回帰にResNet50を用いることで、パラメータ予測性能を大幅に改善する。 このアプローチは計算コストを削減し、データセットの拡大、パラメータ推定、モデルフィッティングのためのより高速で効率的な方法を提供する。

関連論文リスト

• ACE-Net: AutofoCus-Enhanced Convolutional Network for Field Imperfection Estimation with application to high b-value spiral Diffusion MRI [2.913594619942038]
  B0-不均一性や拡散符号化誘起渦電流からの時空間磁場の変動は、スパイラル、EPI、3Dコーンのような高速な画像符号化スキームに有害である。 本研究では,これらのフィールド不完全性を自動的に推定するためのデータ駆動手法を,オートフォーカスメトリクスとディープラーニングを組み合わせることによって開発する。 B0, eddyの正確な推定値が得られる高b値での単発スパイラル拡散MRIに適用し, 外部校正を必要とせずに高画質の画像再構成を行った。
  論文  参考訳（メタデータ） (2024-11-21T23:20:14Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Mitigating Data Consistency Induced Discrepancy in Cascaded Diffusion Models for Sparse-view CT Reconstruction [4.227116189483428]
  本研究は, 離散性緩和フレームワークを用いた新規なカスケード拡散について紹介する。 潜在空間の低画質画像生成と画素空間の高画質画像生成を含む。 これは、いくつかの推論ステップをピクセル空間から潜在空間に移すことによって計算コストを最小化する。
  論文  参考訳（メタデータ） (2024-03-14T12:58:28Z)
• Learning Surface Scattering Parameters From SAR Images Using Differentiable Ray Tracing [8.19502673278742]
  本稿では,スペキュラとディフューズの両方を包括的に考慮した表面マイクロ波レンダリングモデルを提案する。 CSVBSDF表面散乱パラメータ学習のためのSAR画像に基づく微分可能レイトレーシング(DRT)エンジンを構築した。 提案手法の有効性はシミュレーションと実SAR画像との比較により検証されている。
  論文  参考訳（メタデータ） (2024-01-02T12:09:06Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Generating Images of the M87* Black Hole Using GANs [1.0532948482859532]
  本研究では,様々なブラックホール画像を生成するためにCPGAN(Con Conditional Progressive Generative Adversarial Networks)を導入する。 GANは、ブラックホール画像生成のためのコスト効率の良いモデルとして利用でき、他のパラメータ化アルゴリズムのためのトレーニングデータセットを確実に増強することができる。
  論文  参考訳（メタデータ） (2023-12-02T02:47:34Z)
• DiffSCI: Zero-Shot Snapshot Compressive Imaging via Iterative Spectral Diffusion Model [18.25548360119976]
  マルチスペクトル画像(MSI)におけるスナップショット圧縮画像(SCI)再構成の精度向上を目指した。 DiffSCIと呼ばれる新しいゼロショット拡散モデルを提案する。 我々は,DiffSCIが自己監督的,ゼロショット的アプローチよりも顕著な性能向上を示すことを示すため,広範囲な試験を行った。
  論文  参考訳（メタデータ） (2023-11-19T20:27:14Z)
• 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)
• 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)
• 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)

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。