論文の概要: Deep Learning for Absorption-Image Analysis

• arxiv url: http://arxiv.org/abs/2506.04517v1
• Date: Wed, 04 Jun 2025 23:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.461998
• Title: Deep Learning for Absorption-Image Analysis
• Title（参考訳）: 吸収画像解析のための深層学習
• Authors: Jacob Morrey, Isaac Peterson, Robert H. Leonard, Joshua M. Wilson, Francisco Fonta, Matthew B. Squires, Spencer E. Olson,
• Abstract要約: 画像回帰のための改良型ディープラーニング画像分類モデルを提案する。 データ収集における課題を克服するために、シミュレーション吸収画像のモデルを訓練する。 ディープラーニングモデルの性能を最小二乗法と比較し、ディープラーニングモデルが最小二乗法と同様の精度を達成することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The quantum state of ultracold atoms is often determined through measurement of the spatial distribution of the atom cloud. Absorption imaging of the cloud is regularly used to extract this spatial information. Accurate determination of the parameters which describe the spatial distribution of the cloud is crucial to the success of many ultracold atom applications. In this work, we present modified deep learning image classification models for image regression. To overcome challenges in data collection, we train the model on simulated absorption images. We compare the performance of the deep learning models to least-squares techniques and show that the deep learning models achieve accuracy similar to least-squares, while consuming significantly less computation time. We compare the performance of models which take a single atom image against models which use an atom image plus other images that contain background information, and find that both models achieved similar accuracy. The use of single image models will enable single-exposure absorption imaging, which simplifies experiment design and eases imaging hardware requirements.
• Abstract（参考訳）: 超低温原子の量子状態は、しばしば原子雲の空間分布の測定によって決定される。 雲の吸収イメージングは、この空間情報を抽出するために定期的に使用される。 雲の空間分布を記述するパラメータの正確な決定は、多くの超低温原子アプリケーションの成功に不可欠である。 本研究では,画像回帰のための改良型ディープラーニング画像分類モデルを提案する。 データ収集の課題を克服するために、シミュレーションされた吸収画像に基づいてモデルを訓練する。 ディープラーニングモデルの性能を最小二乗法と比較し、ディープラーニングモデルが最小二乗法と同様の精度を達成でき、計算時間を大幅に削減できることを示す。 我々は,原子画像と背景情報を含む他の画像とを併用したモデルと比較し,両者が類似した精度を実現していることを確認した。 単一画像モデルを使用することで、単一露光吸収イメージングが可能になる。

関連論文リスト

• Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
  汎用合成画像検出器 Time Step Generating (TSG) を提案する。 TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。 我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
  論文  参考訳（メタデータ） (2024-11-17T09:39:50Z)
• Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
  任意の制約下で高速かつ高品質な生成を可能にするアルゴリズムを提案する。 推測中、ノイズの多い画像上で計算された勾配更新と、最終的なクリーンな画像で計算されたアップデートとを交換できる。 我々のアプローチは、最先端のトレーニングフリー推論アプローチに匹敵するか、超越した結果をもたらす。
  論文  参考訳（メタデータ） (2024-10-24T14:52:38Z)
• Simultaneous Image-to-Zero and Zero-to-Noise: Diffusion Models with Analytical Image Attenuation [53.04220377034574]
  高品質(未条件)な画像生成のための前方拡散プロセスに解析的画像減衰プロセスを導入することを提案する。 本手法は,フォワード画像からノイズへのマッピングを,テクスチメジからゼロへのマッピングとテクスティケロ・ツー・ノイズマッピングの同時マッピングとして表現する。 我々は,CIFAR-10やCelebA-HQ-256などの無条件画像生成や,超解像,サリエンシ検出,エッジ検出,画像インペインティングなどの画像条件下での下流処理について実験を行った。
  論文  参考訳（メタデータ） (2023-06-23T18:08:00Z)
• Towards Accurate Post-training Quantization for Diffusion Models [73.19871905102545]
  本稿では,効率的な画像生成のための拡散モデル(ADP-DM)の高精度なデータフリーポストトレーニング量子化フレームワークを提案する。 提案手法は, 拡散モデルの学習後の量子化を, 同様の計算コストで, 非常に大きなマージンで高速化する。
  論文  参考訳（メタデータ） (2023-05-30T04:00:35Z)
• Cloud removal Using Atmosphere Model [7.259230333873744]
  クラウド除去はリモートセンシングデータ分析において重要なタスクである。 本稿では,低階及びスパースモデルの枠組みにおける任意のシーンの画像の時間的シーケンスに散乱モデルを用いることを提案する。 本研究では,クラウドカバーを定量的に解析できる半現実的シミュレーション手法を開発した。
  論文  参考訳（メタデータ） (2022-10-05T01:29:19Z)
• An application of a pseudo-parabolic modeling to texture image recognition [0.0]
  偏微分方程式モデルを用いたテクスチャ画像認識のための新しい手法を提案する。 擬似パラボリックなBuckley-Leverett方程式を用いて、デジタル画像表現のダイナミクスを提供し、時間とともに進化するそれらの画像から局所的な記述子を収集する。
  論文  参考訳（メタデータ） (2021-02-09T18:08:42Z)
• TEMImageNet Training Library and AtomSegNet Deep-Learning Models for High-Precision Atom Segmentation, Localization, Denoising, and Super-Resolution Processing of Atomic-Resolution Images [9.275446527724144]
  原子分割・局在化,雑音低減,原子分解能走査透過電子顕微鏡(STEM)画像の劣化は難しい課題である。 本稿では,ロバストかつ高精度な原子セグメンテーション,ローカライゼーション,デノナイズ,超解像処理を実現するための学習ライブラリと深層学習手法の開発について報告する。 私たちは、ディープラーニングモデルをグラフィカルユーザインターフェースを備えたデスクトップアプリにデプロイし、アプリは無償でオープンソースです。
  論文  参考訳（メタデータ） (2020-12-16T17:21:23Z)

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。