論文の概要: TensoIS: A Step Towards Feed-Forward Tensorial Inverse Subsurface Scattering for Perlin Distributed Heterogeneous Media

• arxiv url: http://arxiv.org/abs/2509.04047v1
• Date: Thu, 04 Sep 2025 09:28:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.114581
• Title: TensoIS: A Step Towards Feed-Forward Tensorial Inverse Subsurface Scattering for Perlin Distributed Heterogeneous Media
• Title（参考訳）: TensoIS:Perlin分散不均一媒質のフィードフォワード逆地表面散乱に向けたステップ
• Authors: Ashish Tiwari, Satyam Bhardwaj, Yash Bachwana, Parag Sarvoday Sahu, T. M. Feroz Ali, Bhargava Chintalapati, Shanmuganathan Raman,
• Abstract要約: 画像からヘテロジニアス媒質の散乱パラメータを推定することは、過度に制約され難解な問題である。 実世界の異種散乱パラメータを明示的にモデル化できる具体的な分布は分かっていない。 本稿では、これらのパーリン分布不均一散乱パラメータを推定する学習ベースのフィードフォワードフレームワークであるTensoISを提案する。
• 参考スコア（独自算出の注目度）: 9.981742844158903
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Estimating scattering parameters of heterogeneous media from images is a severely under-constrained and challenging problem. Most of the existing approaches model BSSRDF either through an analysis-by-synthesis approach, approximating complex path integrals, or using differentiable volume rendering techniques to account for heterogeneity. However, only a few studies have applied learning-based methods to estimate subsurface scattering parameters, but they assume homogeneous media. Interestingly, no specific distribution is known to us that can explicitly model the heterogeneous scattering parameters in the real world. Notably, procedural noise models such as Perlin and Fractal Perlin noise have been effective in representing intricate heterogeneities of natural, organic, and inorganic surfaces. Leveraging this, we first create HeteroSynth, a synthetic dataset comprising photorealistic images of heterogeneous media whose scattering parameters are modeled using Fractal Perlin noise. Furthermore, we propose Tensorial Inverse Scattering (TensoIS), a learning-based feed-forward framework to estimate these Perlin-distributed heterogeneous scattering parameters from sparse multi-view image observations. Instead of directly predicting the 3D scattering parameter volume, TensoIS uses learnable low-rank tensor components to represent the scattering volume. We evaluate TensoIS on unseen heterogeneous variations over shapes from the HeteroSynth test set, smoke and cloud geometries obtained from open-source realistic volumetric simulations, and some real-world samples to establish its effectiveness for inverse scattering. Overall, this study is an attempt to explore Perlin noise distribution, given the lack of any such well-defined distribution in literature, to potentially model real-world heterogeneous scattering in a feed-forward manner.
• Abstract（参考訳）: 画像からヘテロジニアス媒質の散乱パラメータを推定することは、過度に制約され、困難な問題である。 既存のアプローチのほとんどは、BSSRDFを解析・合成のアプローチ、複雑な経路積分の近似、あるいは異種性を考慮した異なるボリュームレンダリング技術によってモデル化している。 しかし、地下散乱パラメータを推定するために学習に基づく手法を適用した研究はほとんどないが、均質な媒質を仮定している。 興味深いことに、実世界の異種散乱パラメータを明示的にモデル化できる特定の分布は知られていない。 特に、パーリンやフラクタルパーリンのような手続き型ノイズモデルは、自然、有機、無機表面の複雑な不均一性を表現するのに有効である。 これは、フラクタルパーリンノイズを用いて散乱パラメータをモデル化した異種媒質のフォトリアリスティック画像からなる合成データセットである。 さらに、学習に基づくフィードフォワードフレームワークであるTensorial Inverse Scattering (TensoIS)を提案する。 3次元散乱パラメータ体積を直接予測する代わりに、テンソスでは学習可能な低ランクテンソル成分を用いて散乱体積を表現している。 我々は,HeteroSynthテストセット,オープンソースの実数値シミュレーションから得られた煙と雲のジオメトリー,および実世界のサンプルから得られる不均一な形状変化について評価し,逆散乱の有効性を実証した。 全体として、本研究では、文学においてそのような明確に定義された分布が欠如していることから、フィードフォワード方式で実世界の異種散乱をモデル化するためのパーリン雑音分布を探究する試みである。

関連論文リスト

• Deep Diffusion Models and Unsupervised Hyperspectral Unmixing for Realistic Abundance Map Synthesis [0.2812395851874055]
  我々のフレームワークは、ブラインド線形ハイパースペクトルアンミックスと最先端拡散モデルを統合し、合成アブリダンスマップの現実性と多様性を高める。 我々は、地球観測のためのPRISMA宇宙ミッションの実際のハイパースペクトル画像を用いて、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2025-06-16T13:42:51Z)
• Generative diffusion for perceptron problems: statistical physics analysis and efficient algorithms [2.860608352191896]
  高次元極限における非数値重み付きパーセプトロン問題のランダムな例を考察する。 我々は、生成アルゴリズムを用いて近似サンプリング空間を予測するためのレプリカ理論に基づくフォーマリズムを開発する。
  論文  参考訳（メタデータ） (2025-02-22T16:43:01Z)
• Diffusing Differentiable Representations [60.72992910766525]
  本稿では,事前学習した拡散モデルを用いて,微分可能な表現(拡散)をサンプリングする,新しい学習自由な手法を提案する。 差分によって引き起こされるサンプルに対する暗黙の制約を特定し、この制約に対処することで、生成されたオブジェクトの一貫性と詳細が大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2024-12-09T20:42:58Z)
• Generalized Diffusion Model with Adjusted Offset Noise [1.7767466724342067]
  本稿では,厳密な確率的枠組みの中で自然に付加的な雑音を取り入れた一般化拡散モデルを提案する。 我々は、ある調整でノイズを相殺する理論的等価性を確立し、証拠の低い境界に基づいて損失関数を導出する。 合成データセットの実験により、我々のモデルは輝度に関する課題に効果的に対処し、高次元シナリオにおいて従来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） (2024-12-04T08:57:03Z)
• Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
  拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。 遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
  論文  参考訳（メタデータ） (2024-06-21T01:32:03Z)
• Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
  非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。 リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。 我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
  論文  参考訳（メタデータ） (2024-02-03T08:41:51Z)
• A Geometric Perspective on Diffusion Models [57.27857591493788]
  本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。 我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
  論文  参考訳（メタデータ） (2023-05-31T15:33:16Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Deep Network for Scatterer Distribution Estimation for Ultrasound Image Simulation [8.13909718726358]
  観測された超音波データから確率的散乱器推定のための畳み込みニューラルネットワーク手法を実証する。 いくつかの既存手法と比較して,本手法で推定した散乱器表現から合成した画像が観測値と密接に一致していることが,数値シミュレーションおよびin-vivo画像で実証された。
  論文  参考訳（メタデータ） (2020-06-17T21:25:13Z)

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。