論文の概要: 3D Magnetic Inverse Routine for Single-Segment Magnetic Field Images
- arxiv url: http://arxiv.org/abs/2507.11293v1
- Date: Tue, 15 Jul 2025 13:20:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:03.122651
- Title: 3D Magnetic Inverse Routine for Single-Segment Magnetic Field Images
- Title（参考訳）: 単セグメンション磁界画像のための3次元磁気逆ルーチン
- Authors: J. Senthilnath, Chen Hao, F. C. Wellstood,
- Abstract要約: 半導体包装では、回路欠陥を局所化する非破壊試験(NDT)において、正確に3D情報を復元することが重要である。
本稿では, 磁界画像(MFI)を利用して, 単一セグメントの3次元電流流のパラメータを抽出する3次元磁気逆ルーチン(3D MIR)を提案する。
その結果, 3次元MIR法は高精度で3次元情報を正確に復元し, 半導体包装における磁気画像再構成のための新しいベンチマークを設定した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In semiconductor packaging, accurately recovering 3D information is crucial for non-destructive testing (NDT) to localize circuit defects. This paper presents a novel approach called the 3D Magnetic Inverse Routine (3D MIR), which leverages Magnetic Field Images (MFI) to retrieve the parameters for the 3D current flow of a single-segment. The 3D MIR integrates a deep learning (DL)-based Convolutional Neural Network (CNN), spatial-physics-based constraints, and optimization techniques. The method operates in three stages: i) The CNN model processes the MFI data to predict ($\ell/z_o$), where $\ell$ is the wire length and $z_o$ is the wire's vertical depth beneath the magnetic sensors and classify segment type ($c$). ii) By leveraging spatial-physics-based constraints, the routine provides initial estimates for the position ($x_o$, $y_o$, $z_o$), length ($\ell$), current ($I$), and current flow direction (positive or negative) of the current segment. iii) An optimizer then adjusts these five parameters ($x_o$, $y_o$, $z_o$, $\ell$, $I$) to minimize the difference between the reconstructed MFI and the actual MFI. The results demonstrate that the 3D MIR method accurately recovers 3D information with high precision, setting a new benchmark for magnetic image reconstruction in semiconductor packaging. This method highlights the potential of combining DL and physics-driven optimization in practical applications.
- Abstract（参考訳）: 半導体包装では、回路欠陥を局所化する非破壊試験(NDT)において、正確に3D情報を復元することが重要である。
本稿では, 磁界画像(MFI)を利用して, 単一セグメントの3次元電流流のパラメータを抽出する3次元磁気逆ルーチン(3D MIR)を提案する。
3D MIRは、ディープラーニング(DL)ベースの畳み込みニューラルネットワーク(CNN)、空間物理に基づく制約、最適化技術を統合する。
方法は3段階に分かれる。
i) CNNモデルはMFIデータを処理して($\ell/z_o$)、$\ell$はワイヤの長さであり、$z_o$は磁気センサの下にあるワイヤの垂直深さであり、セグメントタイプを分類する($c$)。
二 空間物理学に基づく制約を活用することにより、このルーチンは、位置(x_o$, $y_o$, $z_o$)、長さ(\ell$)、電流(I$)、電流の流れ方向(正または負)の初期推定を提供する。
三 この五つのパラメータ(x_o$, $y_o$, $z_o$, $\ell$, $I$)を調整して、再構成したMFIと実際のMFIの差を最小限にする。
その結果, 3次元MIR法は高精度で3次元情報を正確に復元し, 半導体包装における磁気画像再構成のための新しいベンチマークを設定した。
本手法は, DLと物理駆動最適化を組み合わせる可能性を強調した。
関連論文リスト
- Pseudo Depth Meets Gaussian: A Feed-forward RGB SLAM Baseline [64.42938561167402]
本稿では,3次元ガウス型SLAMとフィードフォワードリカレント予測モジュールを組み合わせたオンライン3次元再構成手法を提案する。
このアプローチは、遅いテスト時間の最適化を高速なネットワーク推論に置き換え、トラッキング速度を大幅に改善する。
提案手法は,最先端のSplaTAMと同等の性能を示しながら,追跡時間を90%以上削減する。
論文 参考訳（メタデータ） (2025-08-06T16:16:58Z) - Parameter-Efficient Fine-Tuning of 3D DDPM for MRI Image Generation Using Tensor Networks [23.30947697113457]
3次元U-Netを用いた拡散確率モデル(DDPM)におけるパラメータ効率細調整(PEFT)の課題に対処する。
本研究では,3次元畳み込みバックボーンを有するDDPMを微調整するための新しいPEFT手法であるTenVOOを提案する。
この結果から, マルチスケール類似度指標(MS-SSIM)において, TenVOO が最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2025-07-24T05:51:51Z) - A Spatial-Physics Informed Model for 3D Spiral Sample Scanned by SQUID Microscopy [1.6893869579071952]
本稿では,超電導QUantum Interference Device (SQUID) 顕微鏡を用いて走査した3次元スパイラル試料を対象とした空間物理情報モデル(SPIM)を提案する。
SPIMはIチャネルのシャープネスを0.3%改善し、Qチャネルのシャープネスを25%低減する。
全体として、SPIMは、空間分析と物理駆動モデルを組み合わせる可能性を強調している。
論文 参考訳（メタデータ） (2025-07-16T02:34:33Z) - ReMiDi: Reconstruction of Microstructure Using a Differentiable Diffusion MRI Simulator [0.602276990341246]
ReMiDiは、微分拡散磁気共鳴イメージング(dMRI)シミュレーターを用いて神経細胞の微細構造を任意の3次元メッシュとして推定する新しい手法である。
本稿では、参照信号にマッチするように調整可能な信号をシミュレートする、エンドツーエンドの微分可能なパイプラインを提案する。
有限要素メッシュで表される任意の形状の微細構造を再構築する能力を示し,脳白質中の軸索ジオメトリーに着目した。
論文 参考訳（メタデータ） (2025-02-04T04:03:08Z) - 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。
本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。
提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
論文 参考訳（メタデータ） (2024-11-01T12:50:38Z) - 3-D Magnetotelluric Deep Learning Inversion Guided by Pseudo-Physical Information [11.790581455752292]
近年,ジョイントデータ駆動と物理駆動を併用したDLインバージョン法が注目されている。
本稿では、ニューラルネットワーク(NN)の前方モデリングを通して擬似物理情報を導入し、損失のこの部分を計算する。
本研究では,3次元MTインバージョンにおけるフィールドデータ環境をシミュレートし,マスキングとノイズ付加を含む新しい入力モードを提案する。
論文 参考訳（メタデータ） (2024-10-12T06:39:31Z) - MinD-3D++: Advancing fMRI-Based 3D Reconstruction with High-Quality Textured Mesh Generation and a Comprehensive Dataset [50.534007259536715]
機能的磁気共鳴イメージング(fMRI)データから3次元視覚を再構成することは、認知神経科学とコンピュータビジョンにとって重要な関心事である。
我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4,768個の3Dオブジェクトを展示する。
テクスチャ化された3次元視覚情報をfMRI信号から復号する新しいフレームワークMinD-3D++を提案する。
論文 参考訳（メタデータ） (2024-09-17T16:13:59Z) - EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。
実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
論文 参考訳（メタデータ） (2024-05-27T17:19:02Z) - NeRF-Det: Learning Geometry-Aware Volumetric Representation for
Multi-View 3D Object Detection [65.02633277884911]
提案するNeRF-Detは,RGB画像を入力として室内3次元検出を行う新しい手法である。
提案手法は3次元形状を明示的に推定するため, エンドツーエンドでNeRFを用いて3次元検出性能を向上する。
論文 参考訳（メタデータ） (2023-07-27T04:36:16Z) - NEAT: Distilling 3D Wireframes from Neural Attraction Fields [52.90572335390092]
本稿では,3次元再構成セグメントと焦点接合を用いたラインフレーム接合の問題について検討する。
ProjectNEATは、クロスアートマッチングをゼロから行わずに、ジョイントニューラルフィールドとビューを楽しみます。
論文 参考訳（メタデータ） (2023-07-14T07:25:47Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Robust Isometric Non-Rigid Structure-from-Motion [29.229898443263238]
非Rigid Structure-from-Motion (NRSfM)は、モノクロ2D画像間の対応から変形可能な3Dオブジェクトを再構成する。
現在のNRSfM法は、対応誤りに対処する統計的堅牢性を欠いている。
等尺性を利用してNRSfMを頑健に解く3ステップの自動パイプラインを提案する。
論文 参考訳（メタデータ） (2020-10-09T17:25:00Z)
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。