論文の概要: Neurodynamics-Driven Coupled Neural P Systems for Multi-Focus Image Fusion

• arxiv url: http://arxiv.org/abs/2509.17704v2
• Date: Thu, 25 Sep 2025 09:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 12:02:33.919032
• Title: Neurodynamics-Driven Coupled Neural P Systems for Multi-Focus Image Fusion
• Title（参考訳）: 多焦点画像融合のための神経力学駆動結合型ニューラルPシステム
• Authors: Bo Li, Yunkuo Lei, Tingting Bao, Yaxian Wang, Lingling Zhang, Jun Liu,
• Abstract要約: マルチフォーカス画像融合(MFIF)は画像処理において重要な技術である。 ブラックボックス機構を用いたルールや深層学習に基づく従来の手法では,高品質な意思決定マップを生成することは困難である。 スパイキング機構にインスパイアされた第3世代ニューラルモデルである神経力学駆動型結合型ニューラルP(CNP)システムを導入する。
• 参考スコア（独自算出の注目度）: 13.653724308307472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-focus image fusion (MFIF) is a crucial technique in image processing, with a key challenge being the generation of decision maps with precise boundaries. However, traditional methods based on heuristic rules and deep learning methods with black-box mechanisms are difficult to generate high-quality decision maps. To overcome this challenge, we introduce neurodynamics-driven coupled neural P (CNP) systems, which are third-generation neural computation models inspired by spiking mechanisms, to enhance the accuracy of decision maps. Specifically, we first conduct an in-depth analysis of the model's neurodynamics to identify the constraints between the network parameters and the input signals. This solid analysis avoids abnormal continuous firing of neurons and ensures the model accurately distinguishes between focused and unfocused regions, generating high-quality decision maps for MFIF. Based on this analysis, we propose a Neurodynamics-Driven CNP Fusion model (ND-CNPFuse) tailored for the challenging MFIF task. Unlike current ideas of decision map generation, ND-CNPFuse distinguishes between focused and unfocused regions by mapping the source image into interpretable spike matrices. By comparing the number of spikes, an accurate decision map can be generated directly without any post-processing. Extensive experimental results show that ND-CNPFuse achieves new state-of-the-art performance on four classical MFIF datasets, including Lytro, MFFW, MFI-WHU, and Real-MFF. The code is available at https://github.com/MorvanLi/ND-CNPFuse.
• Abstract（参考訳）: MFIF (Multi-focus Image fusion) は画像処理において重要な技術であり、重要な課題は正確な境界を持つ決定マップの生成である。 しかし、ブラックボックス機構を用いたヒューリスティックなルールや深層学習に基づく従来の手法では、高品質な意思決定マップを生成することは困難である。 この課題を克服するために、スパイキング機構にインスパイアされた第3世代のニューラル計算モデルである神経力学駆動型結合型ニューラルP(CNP)システムを導入し、決定マップの精度を向上させる。 具体的には、まずモデルの神経力学を詳細に解析し、ネットワークパラメータと入力信号の制約を特定する。 この固体分析は、ニューロンの異常な連続的発火を回避し、集中領域と非集中領域を正確に区別し、MFIFのための高品質な決定マップを生成する。 そこで本研究では,MFIF課題に適した神経力学駆動型CNP核融合モデル(ND-CNPFuse)を提案する。 決定マップ生成の現在の考え方とは異なり、ND-CNPFuseはソースイメージを解釈可能なスパイク行列にマッピングすることで、焦点領域と焦点領域を区別する。 スパイク数を比較することで、正確な決定マップを後処理なしで直接生成することができる。 実験結果から,ND-CNPFuseはLytro,MFFW,MFI-WHU,Real-MFFを含む4つの古典的MFIFデータセットに対して,新たな最先端性能を実現することが示された。 コードはhttps://github.com/MorvanLi/ND-CNPFuse.comで入手できる。

関連論文リスト

• NeuroLifting: Neural Inference on Markov Random Fields at Scale [14.042164101688682]
  大規模なマルコフランダムフィールド(MRFs)での推論は、批判的だが難しい課題である。 本稿では,グラフニューラルネットワーク(GNN)を利用した新しい手法であるNeuroLiftingを紹介する。 従来のリフト技術を非パラメトリックニューラルネットワークフレームワークに拡張することで、NeuroLiftingはニューラルネットワークのスムーズなロスランドスケープから恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-11-28T06:50:47Z)
• FlowDepth: Decoupling Optical Flow for Self-Supervised Monocular Depth Estimation [8.78717459496649]
  本稿では,ダイナミックモーションフローモジュール (DMFM) が機構ベースのアプローチで光学フローを分離し,動的領域をワープし,ミスマッチ問題を解くフローDepthを提案する。 高フレック領域と低テクスチャ領域による光度誤差の不公平性については,入力と損失レベルでそれぞれDepth-Cue-Aware Blur(DCABlur)とCost-Volumeの空間損失を用いて解決する。
  論文  参考訳（メタデータ） (2024-03-28T10:31:23Z)
• Manipulating Feature Visualizations with Gradient Slingshots [53.94925202421929]
  特徴可視化(FV)は、ディープニューラルネットワーク(DNN)で学んだ概念を解釈するための広く使われている手法である。 本稿では,モデルアーキテクチャを変更したり,性能を著しく劣化させたりすることなくFVの操作を可能にする新しい手法,Gradient Slingshotsを提案する。
  論文  参考訳（メタデータ） (2024-01-11T18:57:17Z)
• Dynamical Hyperspectral Unmixing with Variational Recurrent Neural Networks [25.051918587650636]
  MTHU(Multitemporal hyperspectral unmixing)は、ハイパースペクトル画像解析の基本的なツールである。 本稿では,変分リカレントニューラルネットワークに基づく教師なしMTHUアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-19T04:51:34Z)
• DDFM: Denoising Diffusion Model for Multi-Modality Image Fusion [144.9653045465908]
  拡散確率モデル(DDPM)に基づく新しい融合アルゴリズムを提案する。 近赤外可視画像融合と医用画像融合で有望な融合が得られた。
  論文  参考訳（メタデータ） (2023-03-13T04:06:42Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• MFIF-GAN: A New Generative Adversarial Network for Multi-Focus Image Fusion [29.405149234582623]
  マルチフォーカス画像融合(MFIF)は、オールインフォーカス画像を得るための有望な技術である。 MFIFの研究動向の1つは、フォーカス/デフォーカス境界(FDB)周辺のデフォーカス拡散効果(DSE)を回避することである。 我々は,MFIF-GANと呼ばれるネットワークを用いて,前景領域が対応する対象よりも正確に大きいフォーカスマップを生成する。
  論文  参考訳（メタデータ） (2020-09-21T09:36:34Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。