論文の概要: The model is the message: Lightweight convolutional autoencoders applied to noisy imaging data for planetary science and astrobiology

• arxiv url: http://arxiv.org/abs/2507.11400v1
• Date: Tue, 15 Jul 2025 15:11:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 14:12:41.433731
• Title: The model is the message: Lightweight convolutional autoencoders applied to noisy imaging data for planetary science and astrobiology
• Title（参考訳）: 軽量畳み込みオートエンコーダは、惑星科学と天体生物学のためのノイズ画像データに適用される。
• Authors: Caleb Scharf,
• Abstract要約: 惑星科学および宇宙生物学利用のための画像データへの畳み込み自己エンコーダ深層学習の適用について概説する。 1つの応用は、不完全またはノイズの多いデータの再構成である。 広範にランダムな破壊ノイズを伴っても,多色画像再構成が有用であることを示す。
• 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 application of convolutional autoencoder deep learning to imaging data for planetary science and astrobiological use is briefly reviewed and explored with a focus on the need to understand algorithmic rationale, process, and results when machine learning is utilized. Successful autoencoders train to build a model that captures the features of data in a dimensionally reduced form (the latent representation) that can then be used to recreate the original input. One application is the reconstruction of incomplete or noisy data. Here a baseline, lightweight convolutional autoencoder is used to examine the utility for planetary image reconstruction or inpainting in situations where there is destructive random noise (i.e., either luminance noise with zero returned data in some image pixels, or color noise with random additive levels across pixel channels). It is shown that, in certain use cases, multi-color image reconstruction can be usefully applied even with extensive random destructive noise with 90% areal coverage and higher. This capability is discussed in the context of intentional masking to reduce data bandwidth, or situations with low-illumination levels and other factors that obscure image data (e.g., sensor degradation or atmospheric conditions). It is further suggested that for some scientific use cases the model latent space and representations have more utility than large raw imaging datasets.
• Abstract（参考訳）: 畳み込み型オートエンコーダの深層学習を惑星科学や宇宙生物学への応用のための画像データに適用し、アルゴリズムの合理性、プロセス、そして機械学習を利用する際の結果を理解する必要性に焦点をあてて、短時間のレビューと検討を行った。 成功したオートエンコーダは、データの特徴を次元的に縮小した形式(潜在表現)でキャプチャするモデルを構築し、元の入力を再現するために使用できるように訓練する。 1つの応用は、不完全またはノイズの多いデータの再構成である。 ここでは、破壊的ランダムノイズがある状況において、惑星画像再構成や塗装の実用性を調べるために、ベースラインで軽量な畳み込みオートエンコーダを用いる。 その結果,多色画像再構成は広範囲なランダムな破壊ノイズが90%以上の場合においても有効であることがわかった。 この能力は、データ帯域幅を減少させる意図的なマスキングや、低照度や画像データ(センサ劣化や大気条件など)を隠蔽するその他の要因について論じられている。 さらに、いくつかの科学的ユースケースにおいて、モデル潜在空間と表現は大規模な生画像データセットよりも有用であることが示唆された。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• Compressive Sensing with Tensorized Autoencoder [22.89029876274012]
  多くの場合、コレクション内の異なるイメージは互いに明瞭なバージョンである。 本研究の目的は,データに先行する構造として,接地木(クリーン)画像にアクセスすることなく画像の復元を行うことである。 本稿では,データに構造的制約を課すために,埋め込み空間上でテンソルリングの分解を施したオートエンコーダを学習することを提案する。
  論文  参考訳（メタデータ） (2023-03-10T22:59:09Z)
• Patch-Based Denoising Diffusion Probabilistic Model for Sparse-View CT Reconstruction [6.907847093036819]
  スパースビューCT(Sparse-view Computed Tomography)は、放射線線量を大幅に削減するために用いられるが、深刻な画像アーティファクトに悩まされる。 Sparse-view CT 再構成のための深層学習法が注目されている。 スパースビューCT再構成のためのパッチベース denoising diffusion probabilistic model (DDPM) を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:35:36Z)
• Noise Self-Regression: A New Learning Paradigm to Enhance Low-Light Images Without Task-Related Data [86.68013790656762]
  タスク関連のデータにアクセスせずにノイズ自己回帰(NoiSER)を提案する。 NoiSERは品質向上に非常に競争力があるが、モデルのサイズははるかに小さく、トレーニングや推論のコストもはるかに低い。
  論文  参考訳（メタデータ） (2022-11-09T06:18:18Z)
• Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
  我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。 我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
  論文  参考訳（メタデータ） (2021-10-16T17:08:30Z)
• Learning to See by Looking at Noise [87.12788334473295]
  簡単なランダムなプロセスから画像を生成する一連の画像生成モデルについて検討する。 これらは、対照的な損失を伴う視覚表現学習者のトレーニングデータとして使用される。 以上の結果から,実データの構造的特性を捉えることはノイズにとって重要であるが,現実的ではないプロセスでも良好な性能が達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-10T17:56:46Z)
• Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network [0.0]
  深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。 提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
  論文  参考訳（メタデータ） (2021-05-01T14:54:57Z)
• Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
  データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。 Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。 実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-21T19:08:23Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)
• CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
  本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。 リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-03-17T15:20:25Z)

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。