論文の概要: Dual-branch Graph Feature Learning for NLOS Imaging

• arxiv url: http://arxiv.org/abs/2502.19683v1
• Date: Thu, 27 Feb 2025 01:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:56:18.724509
• Title: Dual-branch Graph Feature Learning for NLOS Imaging
• Title（参考訳）: NLOSイメージングのためのデュアルブランチグラフ特徴学習
• Authors: Xiongfei Su, Tianyi Zhu, Lina Liu, Zheng Chen, Yulun Zhang, Siyuan Li, Juntian Ye, Feihu Xu, Xin Yuan,
• Abstract要約: 非視線イメージング(NLOS)は、直接見えない閉塞されたシーンを明らかにする機能を提供する。 xnet法は、アルベド情報回復に特化したアルベド中心の再構築ブランチと、幾何学的構造を抽出する深さ中心の再構築ブランチを統合する。 提案手法は,合成データと実データの間で,既存の手法の中で最も高い性能を実現する。
• 参考スコア（独自算出の注目度）: 51.31554007495926
• License:
• Abstract: The domain of non-line-of-sight (NLOS) imaging is advancing rapidly, offering the capability to reveal occluded scenes that are not directly visible. However, contemporary NLOS systems face several significant challenges: (1) The computational and storage requirements are profound due to the inherent three-dimensional grid data structure, which restricts practical application. (2) The simultaneous reconstruction of albedo and depth information requires a delicate balance using hyperparameters in the loss function, rendering the concurrent reconstruction of texture and depth information difficult. This paper introduces the innovative methodology, \xnet, which integrates an albedo-focused reconstruction branch dedicated to albedo information recovery and a depth-focused reconstruction branch that extracts geometrical structure, to overcome these obstacles. The dual-branch framework segregates content delivery to the respective reconstructions, thereby enhancing the quality of the retrieved data. To our knowledge, we are the first to employ the GNN as a fundamental component to transform dense NLOS grid data into sparse structural features for efficient reconstruction. Comprehensive experiments demonstrate that our method attains the highest level of performance among existing methods across synthetic and real data. https://github.com/Nicholassu/DG-NLOS.
• Abstract（参考訳）: 非視線画像(NLOS)の領域は急速に進歩しており、直接見えない閉塞されたシーンを明らかにする能力を提供している。 しかし, 現代のNLOSシステムでは, (1) 計算と記憶の要件は, 実用性を制限する3次元グリッドデータ構造に起因し, 重大な課題を抱えている。 2)アルベドと深度情報の同時再構成には,損失関数のハイパーパラメータを用いた微妙なバランスが必要であり,テクスチャと深度情報の同時再構成は困難である。 本稿では,アルベド情報リカバリに特化したアルベド型再構築ブランチと,これらの障害を克服するために幾何学的構造を抽出する深度型再構築ブランチを統合した,革新的な手法である \xnet を紹介する。 二重ブランチフレームワークは、各再構成へのコンテンツ配信を分離し、検索したデータの質を高める。 我々の知る限り、我々はGNNを、高密度NLOSグリッドデータをスパース構造に変換し、効率的な再構成を行うための基本コンポーネントとして最初に使用しました。 包括的実験により,本手法は,合成データと実データの間で,既存の手法の中で最も高い性能が得られることが示された。 https://github.com/Nicholassu/DG-NLOS

関連論文リスト

• Technical Report: Towards Spatial Feature Regularization in Deep-Learning-Based Array-SAR Reconstruction [8.808245551289994]
  アレイ合成開口レーダ(Array-SAR)は高品質な3Dマッピングに有意な可能性を証明している。 ほとんどの研究はピクセル・バイ・ピクセルの再構成に依存しており、建築構造のような空間的特徴を無視し、穴や破片のような人工物に繋がる。 我々の研究は、空間的特徴の正規化をDLベースのArray-SAR再構成に統合し、重要な疑問に対処する。 その結果, 空間的特徴正規化は再建精度を著しく向上させ, より完全な建物構造を復元し, 騒音や外れ値の低減によるロバスト性の向上を図っている。
  論文  参考訳（メタデータ） (2024-12-22T02:31:11Z)
• Optimizing Federated Graph Learning with Inherent Structural Knowledge and Dual-Densely Connected GNNs [6.185201353691423]
  Federated Graph Learning (FGL)は、クライアントがプライベートデータを公開することなく、強力なグラフニューラルネットワーク(GNN)を分散的にトレーニングすることを可能にする。 既存の手法は、グラフデータに固有の構造的知識を見落としているか、リソース要求を大幅に増加させるコストでそれをキャプチャする。 構造的知識の利用効率を最適化する新しいFGLフレームワークであるFedDenseを提案する。
  論文  参考訳（メタデータ） (2024-08-21T14:37:50Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
  我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。 全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
  論文  参考訳（メタデータ） (2023-08-03T13:56:07Z)
• A Novel end-to-end Framework for Occluded Pixel Reconstruction with Spatio-temporal Features for Improved Person Re-identification [0.842885453087587]
  人の身元確認は、公共の安全を高めるために群衆の動きを監視し、追跡するために不可欠である。 本研究では、ディープニューラルネットワークからなるRGB画像/映像の効果的な閉塞検出・再構成フレームワークを開発することにより、有効な解を提案する。 具体的には、CNNベースのオクルージョン検出モデルが個々の入力フレームを分類し、次いでConv-LSTMおよびオートエンコーダを用いて、シーケンシャル(ビデオ)および非シーケンシャル(画像)データに対して、オクルードされたフレームに対応するオクルード画素を再構成する。
  論文  参考訳（メタデータ） (2023-04-16T08:14:29Z)
• Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
  そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。 本手法は既存の手法に対して最先端の手法を実現する。
  論文  参考訳（メタデータ） (2022-12-03T14:44:17Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。