論文の概要: WIPUNet: A Physics-inspired Network with Weighted Inductive Biases for Image Denoising

• arxiv url: http://arxiv.org/abs/2509.05662v1
• Date: Sat, 06 Sep 2025 09:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.639769
• Title: WIPUNet: A Physics-inspired Network with Weighted Inductive Biases for Image Denoising
• Title（参考訳）: WIPUNet:イメージデノイングのための重み付き誘導バイアス付き物理インスピレーションネットワーク
• Authors: Wasikul Islam,
• Abstract要約: 高エネルギー粒子物理学では、測定は「パイルアップ」によって汚染される 決定的な減算戦略は、保存、局所性、隔離のような物理的優先事項を利用する。 本稿では,SOTA(State-of-the-art(State-the-art)ベンチマークを対象とするのではなく,物理にインスパイアされた先行が強い腐敗下で堅牢性を改善するかどうかを問う。
• 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 high-energy particle physics, collider measurements are contaminated by "pileup", overlapping soft interactions that obscure the hard-scatter signal of interest. Dedicated subtraction strategies exploit physical priors such as conservation, locality, and isolation. Inspired by this analogy, we investigate how such principles can inform image denoising by embedding physics-guided inductive biases into neural architectures. This paper is a proof of concept: rather than targeting state-of-the-art (SOTA) benchmarks, we ask whether physics-inspired priors improve robustness under strong corruption. We introduce a hierarchy of PU-inspired denoisers: a residual CNN with conservation constraints, its Gaussian-noise variants, and the Weighted Inductive Pileup-physics-inspired U-Network for Denoising (WIPUNet), which integrates these ideas into a UNet backbone. On CIFAR-10 with Gaussian noise at $\sigma\in\{15,25,50,75,100\}$, PU-inspired CNNs are competitive with standard baselines, while WIPUNet shows a \emph{widening margin} at higher noise. Complementary BSD500 experiments show the same trend, suggesting physics-inspired priors provide stability where purely data-driven models degrade. Our contributions are: (i) translating pileup-mitigation principles into modular inductive biases; (ii) integrating them into UNet; and (iii) demonstrating robustness gains at high noise without relying on heavy SOTA machinery.
• Abstract（参考訳）: 高エネルギー粒子物理学では、コライダーの測定は「パイルアップ」によって汚染される。 決定的な減算戦略は、保存、局所性、隔離のような物理的優先事項を利用する。 このアナロジーにインスパイアされたこの原理は、物理誘導型誘導バイアスをニューラルネットワークに埋め込むことによって、どのように画像の認知に影響を及ぼすかを検討する。 本稿では,SOTA(State-of-the-art(State-the-art)ベンチマークを対象とするのではなく,物理にインスパイアされた先行が強い腐敗下で堅牢性を改善するかどうかを問う。 本稿では, 保護制約付き残留CNN, ガウスノイズ, 重み付きインダクティブ・パイルアップ・フィジカル・インインスパイアされたU-Network for Denoising (WIPUNet) の階層を導入し, これらのアイデアをUNetバックボーンに統合する。 CIFAR-10では、ガウスノイズが$\sigma\in\{15,25,50,75,100\}$で、PUにインスパイアされたCNNは標準ベースラインと競合する。 BSD500の相補的な実験も同様の傾向を示し、物理にインスパイアされた先行が純粋にデータ駆動モデルが劣化する安定性をもたらすことを示唆している。 私たちの貢献は次のとおりです。 一 積算緩和原則をモジュラー帰納バイアスに変換すること。 (ii)それらをUNetに統合し、 三 重いSOTA機械に頼らずに高騒音で強靭性を示すこと。

関連論文リスト

• Physics-guided denoiser network for enhanced additive manufacturing data quality [0.0]
  本稿では,エネルギーモデルとフィッシャースコアの正規化を統合した物理インフォームド・デノナイズ・フレームワークを提案する。 次に,レーザーパウダーベッド融合(LPBF)添加製造実験から得られた実熱放射データにこの枠組みを適用した。 提案手法はベースラインニューラルネットワークデノイザーより優れており, LPBF処理条件下でのノイズを効果的に低減する。
  論文  参考訳（メタデータ） (2025-07-31T05:21:02Z)
• Transfer learning for improved generalizability in causal physics-informed neural networks for beam simulations [1.5654837992353716]
  本稿では,弾性基盤上のビームの力学をシミュレーションするための新しい手法を提案する。 具体的には、ウィンクラー財団のEuler-Bernoulli と Timoshenko ビームモデルが転写学習アプローチを用いてシミュレートされる。
  論文  参考訳（メタデータ） (2023-11-01T15:19:54Z)
• Learning Provably Robust Estimators for Inverse Problems via Jittering [51.467236126126366]
  簡単な正規化手法であるジッタリングが,逆問題に対する最悪ケース頑健な推定器の学習に有効かどうかを検討する。 ジッタリングは最悪の場合のロバスト性を大幅に向上させるが,デノイング以上の逆問題に最適であることを示す。
  論文  参考訳（メタデータ） (2023-07-24T14:19:36Z)
• Evaluating Similitude and Robustness of Deep Image Denoising Models via Adversarial Attack [60.40356882897116]
  ディープニューラルネットワーク(DNN)は、従来の画像復調アルゴリズムよりも優れたパフォーマンスを示している。 本稿では,現在のディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディープ・ディナイジング・PGD(Denoising-PGD)と名づけられた敵攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-06-28T09:30:59Z)
• Beyond Pretrained Features: Noisy Image Modeling Provides Adversarial Defense [52.66971714830943]
  マスク付き画像モデリング(MIM)は、自己教師付き視覚表現学習のフレームワークとして普及している。 本稿では,この強力な自己教師型学習パラダイムが,下流の分類器に対して対角的ロバスト性を提供する方法について検討する。 本稿では,デノナイジングのためのデコーダを用いて,デノナイジングのための対角防御手法を提案する。
  論文  参考訳（メタデータ） (2023-02-02T12:37:24Z)
• Physics-informed Neural Networks with Unknown Measurement Noise [0.6906005491572401]
  非ガウス雑音の場合、標準のPINNフレームワークが故障することを示す。 本稿では,エネルギーベースモデル(EBM)を共同で学習し,適切な雑音分布を学習することを提案する。
  論文  参考訳（メタデータ） (2022-11-28T16:17:47Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Neural Networks with Recurrent Generative Feedback [61.90658210112138]
  畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する 実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2020-07-17T19:32:48Z)
• Revisiting Initialization of Neural Networks [72.24615341588846]
  ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
  論文  参考訳（メタデータ） (2020-04-20T18:12:56Z)

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。