論文の概要: Large model enhanced computational ghost imaging

• arxiv url: http://arxiv.org/abs/2503.08710v1
• Date: Mon, 10 Mar 2025 03:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:38:51.661203
• Title: Large model enhanced computational ghost imaging
• Title（参考訳）: 大規模モデルによるゴーストイメージング
• Authors: Yifan Chen, Hongjun An, Zhe Sun, Tong Tian, Mingliang Chen, Christian Spielmann, Xuelong Li,
• Abstract要約: ゴーストイメージング(GI)は1次元バケット信号と2次元光場情報の高次相関による2次元画像再構成を実現する。 近年の研究では、深層学習(DL)がゴースト画像再構成の品質を大幅に向上させることができることが確認されている。 GILMの物理原理を取り入れた14億のパラメータを持つ最初の大規模画像モデルを提案する。
• 参考スコア（独自算出の注目度）: 44.77879260113026
• License:
• Abstract: Ghost imaging (GI) achieves 2D image reconstruction through high-order correlation of 1D bucket signals and 2D light field information, particularly demonstrating enhanced detection sensitivity and high-quality image reconstruction via efficient photon collection in scattering media. Recent investigations have established that deep learning (DL) can substantially enhance the ghost imaging reconstruction quality. Furthermore, with the emergence of large models like SDXL, GPT-4, etc., the constraints of conventional DL in parameters and architecture have been transcended, enabling models to comprehensively explore relationships among all distinct positions within feature sequences. This paradigm shift has significantly advanced the capability of DL in restoring severely degraded and low-resolution imagery, making it particularly advantageous for noise-robust image reconstruction in GI applications. In this paper, we propose the first large imaging model with 1.4 billion parameters that incorporates the physical principles of GI (GILM). The proposed GILM implements a skip connection mechanism to mitigate gradient explosion challenges inherent in deep architectures, ensuring sufficient parametric capacity to capture intricate correlations among object single-pixel measurements. Moreover, GILM leverages multi-head attention mechanism to learn spatial dependencies across pixel points during image reconstruction, facilitating the extraction of comprehensive object information for subsequent reconstruction. We validated the effectiveness of GILM through a series of experiments, including simulated object imaging, imaging objects in free space, and imaging object located 52 meters away in underwater environment. The experimental results show that GILM effectively analyzes the fluctuation trends of the collected signals, thereby optimizing the recovery of the object's image from the acquired data.
• Abstract（参考訳）: ゴーストイメージング(GI)は1次元バケット信号と2次元光場情報の高次相関による2次元画像再構成を実現する。 近年の研究では、深層学習(DL)がゴースト画像再構成の品質を大幅に向上させることができることが確認されている。 さらに、SDXLやGPT-4などの大型モデルが出現すると、パラメータやアーキテクチャにおける従来のDLの制約が超越され、モデルが特徴系列内の全ての異なる位置間の関係を包括的に探索することが可能になった。 このパラダイムシフトは、高度に劣化した低解像度画像の復元におけるDLの能力を大幅に向上させ、特にGIアプリケーションにおけるノイズロス画像再構成に有利である。 本稿では,GILMの物理原理を取り入れた,14億のパラメータを持つ最初の大規模画像モデルを提案する。 提案したGILMは、深いアーキテクチャに固有の勾配の爆発的課題を軽減するために、スキップ接続機構を実装し、オブジェクト単画素測定の複雑な相関を捉えるのに十分なパラメトリックキャパシティを確保する。 さらに,GILMでは,画像再構成中の画素点間の空間的依存関係を学習するために,多視点アテンション機構を活用し,その後の再構成のための包括的オブジェクト情報の抽出を容易にする。 我々は, シミュレーション対象画像, 自由空間におけるイメージング対象画像, 52m離れた水中環境におけるイメージング対象画像など, GILMの有効性を検証した。 実験の結果,GILMは収集した信号の変動傾向を効果的に解析し,取得したデータから対象物の画像の回復を最適化することがわかった。

関連論文リスト

• Semantic Guided Large Scale Factor Remote Sensing Image Super-resolution with Generative Diffusion Prior [13.148815217684277]
  大規模因子超解像(SR)アルゴリズムは、軌道から取得した低解像度(LR)衛星データの最大化に不可欠である。 既存の手法では、鮮明なテクスチャと正しい接地オブジェクトでSR画像を復元する際の課題に直面している。 本稿では,大規模リモートセンシング画像の超解像を実現するための新しいフレームワークであるセマンティックガイド拡散モデル(SGDM)を提案する。
  論文  参考訳（メタデータ） (2024-05-11T16:06:16Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• Passive superresolution imaging of incoherent objects [63.942632088208505]
  手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。 ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:09Z)
• 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)
• Near-filed SAR Image Restoration with Deep Learning Inverse Technique: A Preliminary Study [5.489791364472879]
  近接場合成開口レーダ(SAR)は、ターゲットの散乱分布ホットスポットの高解像度画像を提供する。 一方、撮像の結果は、サイドローブ、クラッタ、ノイズから必然的に劣化する。 イメージを復元するために、現在の手法では、例えば、点拡散関数(PSF)は空間的に一貫したものであり、ターゲットはスパース点散乱器などで構成されている。 我々は、分解モデルを空間的に可変な複素畳み込みモデルに再構成し、近接場SARのシステム応答を考慮した。 モデルに基づくディープラーニングネットワークは、復元するために設計されている
  論文  参考訳（メタデータ） (2022-11-28T01:28:33Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• REPLICA: Enhanced Feature Pyramid Network by Local Image Translation and Conjunct Attention for High-Resolution Breast Tumor Detection [6.112883009328882]
  本稿では,局所画像翻訳と接続注意(REPLICA)による再生ネットワークの強化について述べる。 我々は、畳み込みオートエンコーダを発電機として使用し、局所ピラミッドを介して画像にオブジェクトを注入し、それらの特徴を隠蔽層で抽出して、新しい画像を生成する。 そして、シミュレーション画像の数が多いため、視覚変換器を使用して、特徴ピラミッドネットワークへの入力として機能する各ResNet層の出力を強化する。
  論文  参考訳（メタデータ） (2021-11-22T21:33:02Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。