論文の概要: Computationally Efficient Information-Driven Optical Design with Interchanging Optimization

• arxiv url: http://arxiv.org/abs/2507.07789v1
• Date: Thu, 10 Jul 2025 14:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.4356
• Title: Computationally Efficient Information-Driven Optical Design with Interchanging Optimization
• Title（参考訳）: 交換最適化を用いた計算効率の良い情報駆動光設計
• Authors: Eric Markley, Henry Pinkard, Leyla Kabuli, Nalini Singh, Laura Waller,
• Abstract要約: 情報駆動分析学習(I)は、高いメモリ使用量、長いランタイム、そしてエンドツーエンドの差別化要件による潜在的にミスマッチした目的関数に悩まされる。 I-IOは,適応モデルと現在の測定値とを交互に組み合わせることで,光学パラメータ最適化から拡張性のある密度推定を行う手法である。 このアプローチは、ランタイムとメモリ使用量を最大6倍に削減し、より表現力のある密度モデルを可能にし、優れた設計に向けて最適化を導く。
• 参考スコア（独自算出の注目度）: 2.519074131450768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work has demonstrated that imaging systems can be evaluated through the information content of their measurements alone, enabling application-agnostic optical design that avoids computational decoding challenges. Information-Driven Encoder Analysis Learning (IDEAL) was proposed to automate this process through gradient-based. In this work, we study IDEAL across diverse imaging systems and find that it suffers from high memory usage, long runtimes, and a potentially mismatched objective function due to end-to-end differentiability requirements. We introduce IDEAL with Interchanging Optimization (IDEAL-IO), a method that decouples density estimation from optical parameter optimization by alternating between fitting models to current measurements and updating optical parameters using fixed models for information estimation. This approach reduces runtime and memory usage by up to 6x while enabling more expressive density models that guide optimization toward superior designs. We validate our method on diffractive optics, lensless imaging, and snapshot 3D microscopy applications, establishing information-theoretic optimization as a practical, scalable strategy for real-world imaging system design.
• Abstract（参考訳）: 近年の研究では、イメージングシステムは測定結果の情報コンテンツだけで評価できることが示されており、計算復号化の難しさを回避するためのアプリケーションに依存しない光学設計が可能になっている。 勾配に基づく情報駆動型エンコーダ解析学習(IDEAL)が提案された。 本研究では,多種多様なイメージングシステムを対象としたIDEALについて検討し,高いメモリ使用量,長いランタイム,そしてエンドツーエンドの微分可能性要件による潜在的に不一致な目的関数に悩まされていることを明らかにする。 IAL-IO(Interchanging Optimization, IAL-IO)は、情報推定のための固定モデルを用いて、適合モデルと現在の測定値の交互化と光学パラメータの更新により、光パラメータ最適化から密度推定を分離する手法である。 このアプローチは、ランタイムとメモリ使用量を最大6倍に削減し、より表現力のある密度モデルを可能にし、優れた設計に向けて最適化を導く。 実世界の画像システム設計における実用的かつスケーラブルな手法として情報理論の最適化を確立し, 回折光学, レンズレスイメージング, スナップショット3D顕微鏡アプリケーションに対する本手法の有効性を検証した。

関連論文リスト

• Model-free Optical Processors using In Situ Reinforcement Learning with Proximal Policy Optimization [18.41925837760181]
  微分光学プロセッサのin situトレーニングに近似ポリシー最適化を用いたモデルフリー強化学習手法を提案する。 我々は,ランダムディフューザ,ホログラフィック画像生成,収差補正,光学画像分類による目標エネルギーを含む,様々なその場学習タスクにおいて,本手法の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2025-07-08T01:39:36Z)
• Successive optimization of optics and post-processing with differentiable coherent PSF operator and field information [9.527960631238173]
  我々は正確な光学シミュレーションモデルを導入し、パイプライン内の全ての操作は微分可能である。 様々な劣化に効率的に対処するために,フィールド情報を活用する共同最適化手法を設計する。
  論文  参考訳（メタデータ） (2024-12-19T07:49:40Z)
• A Differentiable Wave Optics Model for End-to-End Computational Imaging System Optimization [19.83939112821776]
  エンドツーエンドの最適化は、計算画像システム設計のための強力なデータ駆動方式として登場した。 複合光学のエンドツーエンド最適化のために光輸送における収差と回折の両方をモデル化することは困難である。 複合光学の収差と回折の両方を効率的にモデル化する微分可能な光学シミュレータを提案する。
  論文  参考訳（メタデータ） (2024-12-13T00:57:47Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Photonic Structures Optimization Using Highly Data-Efficient Deep Learning: Application To Nanofin And Annular Groove Phase Masks [40.11095094521714]
  メタ表面は、薄膜光学の領域における光特性の操作のための柔軟なフレームワークを提供する。 本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。 本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
  論文  参考訳（メタデータ） (2023-09-05T07:19:14Z)
• Neural Lens Modeling [50.57409162437732]
  NeuroLens(ニューロレンス)は、点投影と光線鋳造に使用できる歪みと磁化のための神経レンズモデルである。 古典的なキャリブレーションターゲットを使用してプリキャプチャのキャリブレーションを行うことができ、後に3D再構成の際にキャリブレーションやリファインメントを行うために使用できる。 このモデルは、多くのレンズタイプにまたがって一般化されており、既存の3D再構成とレンダリングシステムとの統合は容易である。
  論文  参考訳（メタデータ） (2023-04-10T20:09:17Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution [51.274657266928315]
  そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。 具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
  論文  参考訳（メタデータ） (2021-04-07T12:00:38Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。