論文の概要: Meta-training of diffractive meta-neural networks for super-resolution direction of arrival estimation

• arxiv url: http://arxiv.org/abs/2509.05926v1
• Date: Sun, 07 Sep 2025 04:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.784241
• Title: Meta-training of diffractive meta-neural networks for super-resolution direction of arrival estimation
• Title（参考訳）: 超高分解能到着推定のための拡散型メタニューラルネットワークのメタトレーニング
• Authors: Songtao Yang, Sheng Gao, Chu Wu, Zejia Zhao, Haiou Zhang, Xing Lin,
• Abstract要約: そこで我々は, 拡散型メタニューラルネットワーク (DMNN) を提案する。 DMNNはトレーニング済みのミニメタネットを統合し、異なる分極と周波数のメタ原子の振幅と位相応答を特徴付ける。 広視野超解像角推定には、xとyの偏光チャネルを通して方位角と高度角を同時に解決する。
• 参考スコア（独自算出の注目度）: 2.8163062697198744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffractive neural networks leverage the high-dimensional characteristics of electromagnetic (EM) fields for high-throughput computing. However, the existing architectures face challenges in integrating large-scale multidimensional metasurfaces with precise network training and haven't utilized multidimensional EM field coding scheme for super-resolution sensing. Here, we propose diffractive meta-neural networks (DMNNs) for accurate EM field modulation through metasurfaces, which enable multidimensional multiplexing and coding for multi-task learning and high-throughput super-resolution direction of arrival estimation. DMNN integrates pre-trained mini-metanets to characterize the amplitude and phase responses of meta-atoms across different polarizations and frequencies, with structure parameters inversely designed using the gradient-based meta-training. For wide-field super-resolution angle estimation, the system simultaneously resolves azimuthal and elevational angles through x and y-polarization channels, while the interleaving of frequency-multiplexed angular intervals generates spectral-encoded optical super-oscillations to achieve full-angle high-resolution estimation. Post-processing lightweight electronic neural networks further enhance the performance. Experimental results validate that a three-layer DMNN operating at 27 GHz, 29 GHz, and 31 GHz achieves $\sim7\times$ Rayleigh diffraction-limited angular resolution (0.5$^\circ$), a mean absolute error of 0.048$^\circ$ for two incoherent targets within a $\pm 11.5^\circ$ field of view, and an angular estimation throughput an order of magnitude higher (1917) than that of existing methods. The proposed architecture advances high-dimensional photonic computing systems by utilizing inherent high-parallelism and all-optical coding methods for ultra-high-resolution, high-throughput applications.
• Abstract（参考訳）: 回折ニューラルネットワークは、電磁場(EM)の高次元特性を高スループットコンピューティングに活用する。 しかし、既存のアーキテクチャは、大規模多次元メタ曲面と正確なネットワークトレーニングを統合する上で困難に直面しており、超高分解能センシングに多次元EMフィールド符号化スキームを使用していない。 本稿では,マルチタスク学習のための多次元多重化と符号化と,到着推定の高スループット超解像方向を実現するため,拡散型メタニューラルネットワーク(DMNN)を提案する。 DMNNは、異なる分極と周波数にわたるメタ原子の振幅と位相応答を特徴付けるために、事前訓練されたミニメタネットを統合する。 広視野超解像角推定において、周波数多重角区間のインターリーブはスペクトル符号化された光超解像を生成し、全角度高分解能推定を実現する。 後処理の軽量電子ニューラルネットワークにより、パフォーマンスがさらに向上する。 実験結果は,27GHz,29GHz,31GHzの3層DMNNが,レイリー回折制限角分解能(0.5$^\circ$),平均絶対誤差が0.048$^\circ$の2つの非コヒーレントターゲットに対して$\pm 11.5^\circ$,角推定スループットが既存手法よりも桁違いに高い(1917年)ことを検証した。 提案アーキテクチャは,超高解像度高スループットアプリケーションに固有の高並列性および全光符号化手法を活用することにより,高次元フォトニックコンピューティングシステムを発展させる。

関連論文リスト

• DNN-Based Precoding in RIS-Aided mmWave MIMO Systems With Practical Phase Shift [56.04579258267126]
  本稿では、直接通信路を妨害したミリ波マルチインプット多重出力(MIMO)システムのスループットを最大化する。 リコンフィギュアブルインテリジェントサーフェス(RIS)は、視線(LoS)とマルチパス効果に関連するmmWave特性を考慮して伝送性を高めるために使用される。 ディープニューラルネットワーク(DNN)は、より高速なコードワード選択を容易にするために開発された。
  論文  参考訳（メタデータ） (2025-07-03T17:35:06Z)
• Pyramid diffractive optical networks for unidirectional image magnification and demagnification [0.0]
  ピラミッド構造を有する回折光ネットワークの設計法(P-D2NN)を提案する。 P-D2NNの設計は、一方の方向だけに高忠実度またはデマジネーションされた画像を生成し、他方の方向における画像形成を阻害する。
  論文  参考訳（メタデータ） (2023-08-29T04:46:52Z)
• D$^\text{2}$UF: Deep Coded Aperture Design and Unrolling Algorithm for Compressive Spectral Image Fusion [22.0246327137227]
  本稿では,低空間分解能符号化開口スペクトル撮像器 (CASSI) アーキテクチャと高空間分解能マルチスペクトルカラーフィルタアレイ (MCFA) システムの圧縮測定の融合について述べる。 本稿では,従来のCSIFと異なり,エンド・ツー・エンド(E2E)方式でセンサアーキテクチャと再構成ネットワークを協調的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T15:39:34Z)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)
• Learning Inter- and Intra-frame Representations for Non-Lambertian Photometric Stereo [14.5172791293107]
  2段階の畳み込みニューラルネットワーク(CNN)アーキテクチャを構築し、フレーム間およびフレーム内表現を構築します。 フレーム間およびフレーム間特徴抽出モジュールを配置する最適スキームを特定するために,ネットワーク設計の代替案を多数検討した。
  論文  参考訳（メタデータ） (2020-12-26T11:22:56Z)
• Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
  大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。 本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-08T12:48:06Z)
• Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
  疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。 提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
  論文  参考訳（メタデータ） (2020-10-29T06:32:53Z)

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。