論文の概要: Modeling X-ray photon pile-up with a normalizing flow
- arxiv url: http://arxiv.org/abs/2511.11863v1
- Date: Fri, 14 Nov 2025 20:46:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:23.347333
- Title: Modeling X-ray photon pile-up with a normalizing flow
- Title（参考訳）: 正規化流を用いたX線フォトン積層のモデリング
- Authors: Ole König, Daniela Huppenkothen, Douglas Finkbeiner, Christian Kirsch, Jörn Wilms, Justina R. Yang, James F. Steiner, Juan Rafael Martínez-Galarza,
- Abstract要約: 明るいX線源の解析は、高入射光子フラックスによるいわゆるパイルアップによって複雑になる。
シミュレーションに基づく推論フレームワークを用いて,重畳されたeROSITAデータから物理パラメータの後方分布を推定できる機械学習ソリューションを提案する。
正規化フローは従来の緩和技術よりも制約された後部密度を発生し,より多くのデータを活用することができることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The dynamic range of imaging detectors flown on-board X-ray observatories often only covers a limited flux range of extrasolar X-ray sources. The analysis of bright X-ray sources is complicated by so-called pile-up, which results from high incident photon flux. This nonlinear effect distorts the measured spectrum, resulting in biases in the inferred physical parameters, and can even lead to a complete signal loss in extreme cases. Piled-up data are commonly discarded due to resulting intractability of the likelihood. As a result, a large number of archival observations remain underexplored. We present a machine learning solution to this problem, using a simulation-based inference framework that allows us to estimate posterior distributions of physical source parameters from piled-up eROSITA data. We show that a normalizing flow produces better-constrained posterior densities than traditional mitigation techniques, as more data can be leveraged. We consider model- and calibration-dependent uncertainties and the applicability of such an algorithm to real data in the eROSITA archive.
- Abstract（参考訳）: 画像検出器のダイナミックレンジは、X線観測所上を飛んでおり、しばしば極小のX線源の限られた範囲しかカバーしていない。
明るいX線源の解析は、高入射光子フラックスによるいわゆるパイルアップによって複雑になる。
この非線形効果は測定されたスペクトルを歪ませ、推定された物理パラメータの偏りが生じ、極端な場合には完全な信号損失につながる。
ペアアップデータは通常、可能性の抽出性によって破棄される。
その結果、多くの考古学的観測が未発見のままである。
シミュレーションに基づく推論フレームワークを用いて,重畳されたeROSITAデータから物理パラメータの後方分布を推定できる機械学習ソリューションを提案する。
正規化フローは従来の緩和技術よりも制約された後部密度を発生し,より多くのデータを活用することができることを示す。
モデルとキャリブレーションに依存した不確実性と,このアルゴリズムがeROSITAアーカイブ内の実データに適用可能であることを考察する。
関連論文リスト
- Latent-space Field Tension for Astrophysical Component Detection An application to X-ray imaging [0.0]
本稿では, 潜時空間の張力をモデル不特定性の指標として活用する, スカイエミッションフィールドの多周波ベイズモデルを提案する。
大型マゼラン雲(LMC)におけるSN 1987A領域のEROSITA早期データ放出(EDR)から得られたX線観測データに本手法の有効性を実証する。
提案手法は,高精度で天体物理成分を再構成し,点源のサブピクセル局在化,拡張放出の堅牢な分離,詳細な不確実性定量化を実現している。
論文 参考訳（メタデータ） (2025-06-25T18:45:18Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳（メタデータ） (2024-06-11T17:27:23Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳（メタデータ） (2023-12-10T05:13:40Z) - Quantifying the effect of X-ray scattering for data generation in real-time defect detection [1.124958340749622]
インライン検出は高度に正確で堅牢で高速なアルゴリズムを必要とする。
DCNNは、大量のラベル付きデータが利用できる場合、これらの要件を満たす。
X線散乱はシミュレーションするのに計算コストがかかることが知られている。
論文 参考訳（メタデータ） (2023-05-22T08:29:43Z) - Amortized Bayesian Inference of GISAXS Data with Normalizing Flows [0.10752246796855561]
本稿では,変分オートエンコーダと正規化フローを組み合わせたシミュレーションに基づくフレームワークを提案し,パラメータの後方分布を推定する。
提案手法は,ABCと一貫した結果を生み出しながら,推定コストを桁違いに削減することを示した。
論文 参考訳（メタデータ） (2022-10-04T12:09:57Z) - Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。
本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。
2つの公開データセットで最先端の結果を得る。
論文 参考訳（メタデータ） (2021-06-13T11:20:31Z) - Anomaly Detection on X-Rays Using Self-Supervised Aggregation Learning [16.854288765350283]
SALADはX線画像の異常検出のためのエンドツーエンドの自己監視手法である。
提案手法は、深層ニューラルネットワークが原型的局所パターンを表現することを奨励する最適化戦略に基づいている。
我々の異常スコアは、メモリバンク内の正常な原型パターンの重み付け組み合わせと類似性を測定することによって導出される。
論文 参考訳（メタデータ） (2020-10-19T20:49:34Z)
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。