論文の概要: Physics-Guided Conditional Diffusion Networks for Microwave Image Reconstruction

• arxiv url: http://arxiv.org/abs/2510.25729v1
• Date: Wed, 29 Oct 2025 17:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.885774
• Title: Physics-Guided Conditional Diffusion Networks for Microwave Image Reconstruction
• Title（参考訳）: マイクロ波画像再構成のための物理誘導型条件拡散ネットワーク
• Authors: Shirin Chehelgami, Joe LoVetri, Vahab Khoshdel,
• Abstract要約: 電磁逆散乱問題を解くための条件付き潜伏拡散に基づく枠組みを導入する。 提案モデルでは, 散乱場データに基づいて複数の可塑性誘電率マップを生成する。 物理に基づく評価機構として、前方電磁分解器を再構成パイプラインに統合する。
• 参考スコア（独自算出の注目度）: 0.6117371161379209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A conditional latent-diffusion based framework for solving the electromagnetic inverse scattering problem associated with microwave imaging is introduced. This generative machine-learning model explicitly mirrors the non-uniqueness of the ill-posed inverse problem. Unlike existing inverse solvers utilizing deterministic machine learning techniques that produce a single reconstruction, the proposed latent-diffusion model generates multiple plausible permittivity maps conditioned on measured scattered-field data, thereby generating several potential instances in the range-space of the non-unique inverse mapping. A forward electromagnetic solver is integrated into the reconstruction pipeline as a physics-based evaluation mechanism. The space of candidate reconstructions form a distribution of possibilities consistent with the conditioning data and the member of this space yielding the lowest scattered-field data discrepancy between the predicted and measured scattered fields is reported as the final solution. Synthetic and experimental labeled datasets are used for training and evaluation of the model. An innovative labeled synthetic dataset is created that exemplifies a varied set of scattering features. Training of the model using this new dataset produces high quality permittivity reconstructions achieving improved generalization with excellent fidelity to shape recognition. The results highlight the potential of hybrid generative physics frameworks as a promising direction for robust, data-driven microwave imaging.
• Abstract（参考訳）: マイクロ波イメージングに伴う電磁逆散乱問題を解決するための条件付き潜伏拡散に基づくフレームワークを提案する。 この生成機械学習モデルは、不適切な逆問題の不均一性を明示的に反映する。 単一再構成を生成する決定論的機械学習技術を利用する既存の逆解法とは異なり、提案した潜在拡散モデルは、測定された散乱場データに条件付けられた複数の可塑性誘電率写像を生成し、非特異な逆写像のレンジ空間におけるいくつかの潜在的なインスタンスを生成する。 物理に基づく評価機構として、前方電磁分解器を再構成パイプラインに統合する。 候補再構成の空間は条件付きデータと整合する可能性の分布を形成し、この空間のメンバーは予測された散乱場と測定された散乱場との間の最小の散乱場データ差を最終解として報告する。 合成および実験的なラベル付きデータセットは、モデルのトレーニングと評価に使用される。 様々な散乱特徴を例証する革新的なラベル付き合成データセットが作成される。 この新たなデータセットを用いたモデルのトレーニングは、形状認識に優れた忠実度を持つ一般化を達成し、高品質な誘電率再構成を実現する。 この結果は、堅牢でデータ駆動型マイクロ波イメージングのための有望な方向として、ハイブリッド生成物理フレームワークの可能性を強調している。

関連論文リスト

• Multimodal Atmospheric Super-Resolution With Deep Generative Models [1.9367648935513015]
  スコアベース拡散モデリング(Score-based diffusion modeling)は、複雑な分布からサンプリングできる生成機械学習アルゴリズムである。 本稿では,高次元力学系の超解像にそのような概念を適用し,低分解能および実験的に観察されたスパースセンサ測定のリアルタイム利用性を考える。
  論文  参考訳（メタデータ） (2025-06-28T06:47:09Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Conditional score-based diffusion models for solving inverse problems in mechanics [6.319616423658121]
  条件付きスコアベース拡散モデルを用いてベイズ推定を行う枠組みを提案する。 条件付きスコアベース拡散モデルは条件分布のスコア関数を近似する生成モデルである。 メカニクスにおける高次元逆問題に対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-19T02:09:15Z)
• 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)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)

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。