論文の概要: Noise-adapted Neural Operator for Robust Non-Line-of-Sight Imaging

• arxiv url: http://arxiv.org/abs/2508.09655v1
• Date: Wed, 13 Aug 2025 09:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.840506
• Title: Noise-adapted Neural Operator for Robust Non-Line-of-Sight Imaging
• Title（参考訳）: ロバスト非直線イメージングのための雑音適応型ニューラル演算子
• Authors: Lianfang Wang, Kuilin Qin, Xueying Liu, Huibin Chang, Yong Wang, Yuping Duan,
• Abstract要約: 本稿では3次元画像再構成における大規模線形問題に適したパラメータ化逆問題フレームワークを提案する。 パラメータ化ニューラル演算子を開発し、逆マッピングを近似し、エンドツーエンドの高速画像再構成を容易にする。 演算子学習を基盤とした3次元画像再構成フレームワークは,ディープアルゴリズムの展開によって構築される。
• 参考スコア（独自算出の注目度）: 5.486845789695915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational imaging, especially non-line-of-sight (NLOS) imaging, the extraction of information from obscured or hidden scenes is achieved through the utilization of indirect light signals resulting from multiple reflections or scattering. The inherently weak nature of these signals, coupled with their susceptibility to noise, necessitates the integration of physical processes to ensure accurate reconstruction. This paper presents a parameterized inverse problem framework tailored for large-scale linear problems in 3D imaging reconstruction. Initially, a noise estimation module is employed to adaptively assess the noise levels present in transient data. Subsequently, a parameterized neural operator is developed to approximate the inverse mapping, facilitating end-to-end rapid image reconstruction. Our 3D image reconstruction framework, grounded in operator learning, is constructed through deep algorithm unfolding, which not only provides commendable model interpretability but also enables dynamic adaptation to varying noise levels in the acquired data, thereby ensuring consistently robust and accurate reconstruction outcomes. Furthermore, we introduce a novel method for the fusion of global and local spatiotemporal data features. By integrating structural and detailed information, this method significantly enhances both accuracy and robustness. Comprehensive numerical experiments conducted on both simulated and real datasets substantiate the efficacy of the proposed method. It demonstrates remarkable performance with fast scanning data and sparse illumination point data, offering a viable solution for NLOS imaging in complex scenarios.
• Abstract（参考訳）: コンピュータイメージング、特に非視線イメージング(NLOS)は、複数の反射や散乱に起因する間接的な光信号を利用することで、隠されたまたは隠されたシーンからの情報を抽出する。 これらの信号の本質的に弱い性質は、ノイズへの感受性と相まって、正確な復元を保証するために物理過程の統合を必要とする。 本稿では3次元画像再構成における大規模線形問題に適したパラメータ化逆問題フレームワークを提案する。 当初、過渡データに存在する雑音レベルを適応的に評価するためにノイズ推定モジュールが使用される。 その後、パラメータ化ニューラル演算子を開発し、逆マッピングを近似し、エンドツーエンドの高速画像再構成を容易にする。 演算子学習を基盤とした3次元画像再構成フレームワークは,モデル解釈性を提供するだけでなく,取得したデータの様々なノイズレベルへの動的適応を実現し,一貫した堅牢かつ正確な再構成結果の確保を可能にするディープアルゴリズムの展開によって構築されている。 さらに,グローバルな時空間データ特徴と局所的な時空間データ特徴を融合させる新しい手法を提案する。 構造情報と詳細な情報を統合することにより、精度とロバスト性の両方を大幅に向上させる。 シミュレーションおよび実データを用いた総合数値実験により,提案手法の有効性を実証した。 高速走査データとスパース照明点データで顕著な性能を示し、複雑なシナリオにおけるNLOSイメージングのための実行可能なソリューションを提供する。

関連論文リスト

• Under-Sampled High-Dimensional Data Recovery via Symbiotic Multi-Prior Tensor Reconstruction [10.666965599523754]
  本研究は,データ固有の構造を利用するために,複数の先行情報を統合したテンソル再構成手法を提案する。 具体的には、再構成されたデータの低ランクな制約を強制するために学習可能な分解と、平滑化と復調のための事前訓練された畳み込みニューラルネットワークと、ブロックマッチングと3Dフィルタリング正規化を組み合わせる。 カラー画像、ハイパースペクトル画像、グレースケールビデオデータセットの実験は、極端な場合において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-04-08T12:55:18Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• Curvature regularization for Non-line-of-sight Imaging from Under-sampled Data [5.591221518341613]
  非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。 曲率正規化に基づく新しいNLOS再構成モデルを提案する。 提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
  論文  参考訳（メタデータ） (2023-01-01T14:10:43Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。