論文の概要: Imaging with super-resolution in changing random media

• arxiv url: http://arxiv.org/abs/2511.14147v1
• Date: Tue, 18 Nov 2025 05:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.949294
• Title: Imaging with super-resolution in changing random media
• Title（参考訳）: ランダムメディア変化における超高分解能イメージング
• Authors: Alexander Christie, Matan Leibovich, Miguel Moscoso, Alexei Novikov, George Papanicolaou, Chrysoula Tsogka,
• Abstract要約: 我々は、強い散乱を利用してランダムなメディアの変化を超解像化するイメージングアルゴリズムを開発した。 この方法は、スパース辞書学習、クラスタリング、多次元スケーリングを用いて、大規模で多様なデータセットを処理する。
• 参考スコア（独自算出の注目度）: 36.517459527015326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop an imaging algorithm that exploits strong scattering to achieve super-resolution in changing random media. The method processes large and diverse array datasets using sparse dictionary learning, clustering, and multidimensional scaling. Starting from random initializations, the algorithm reliably extracts the unknown medium properties necessary for accurate imaging using back-propagation, $\ell_2$ or $\ell_1$ methods. Remarkably, scattering enhances resolution beyond homogeneous medium limits. When abundant data are available, the algorithm allows the realization of super-resolution in imaging.
• Abstract（参考訳）: 我々は、強い散乱を利用してランダムなメディアの変化を超解像化するイメージングアルゴリズムを開発した。 この方法は、スパース辞書学習、クラスタリング、多次元スケーリングを用いて、大規模で多様な配列データセットを処理する。 ランダム初期化から始めて、アルゴリズムはバックプロパゲーション($\ell_2$または$\ell_1$メソッド)を用いて、正確な撮像に必要な未知の媒体特性を確実に抽出する。 注目すべきは、散乱は均質媒質限界を超えて分解能を高めることである。 豊富なデータが利用可能であれば、このアルゴリズムは撮像における超解像の実現を可能にする。

関連論文リスト

• High-Precision Dichotomous Image Segmentation via Probing Diffusion Capacity [69.32473738284374]
  拡散モデルは、例外的な品質、詳細な解像度、強い文脈認識を提供することによって、テキストと画像の合成に革命をもたらした。 本稿では,拡散モデルにおける事前学習されたU-Netのポテンシャルを利用する拡散駆動セグメンテーションモデルDiffDISを提案する。 DIS5Kデータセットの実験は、DiffDISの優位性を示し、合理化された推論プロセスを通じて最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-14T02:49:23Z)
• Multi-Feature Aggregation in Diffusion Models for Enhanced Face Super-Resolution [6.055006354743854]
  超解像を生成するために,複数の低画質画像から抽出した特徴と組み合わせた低解像度画像を利用するアルゴリズムを開発した。 他のアルゴリズムとは異なり、我々のアプローチは属性情報を明示的に提供せずに顔の特徴を復元する。 これは、高解像度画像と低解像度画像を組み合わせて、より信頼性の高い超高解像度画像を生成するコンディショナーとして初めて使用される。
  論文  参考訳（メタデータ） (2024-08-27T20:08:33Z)
• Blind Image Deblurring with FFT-ReLU Sparsity Prior [1.179778723980276]
  ブラインドイメージデブロアリング(Blind image deblurring)は、ぼやけたカーネルに関する事前知識のないぼやけたイメージからシャープなイメージを復元するプロセスである。 画像の種類を多岐にわたって効果的に劣化させるために,ぼやけたカーネルを対象とする先行処理を利用する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T15:51:39Z)
• Deep Model-Based Super-Resolution with Non-uniform Blur [1.7188280334580197]
  非一様ぼかしを持つ超解像の最先端手法を提案する。 まず,線形化ADMM分割手法に基づく高速なプラグアンドプレイアルゴリズムを提案する。 反復アルゴリズムをひとつのネットワークに展開し、エンドツーエンドでトレーニングします。
  論文  参考訳（メタデータ） (2022-04-21T13:57:21Z)
• Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
  本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。 我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。 提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-04-19T17:59:45Z)
• PixelPyramids: Exact Inference Models from Lossless Image Pyramids [58.949070311990916]
  Pixel-Pyramidsは、画像画素の関節分布を符号化するスケール特異的表現を用いたブロック自動回帰手法である。 様々な画像データセット、特に高解像度データに対する密度推定の最先端結果が得られる。 CelebA-HQ 1024 x 1024 では,フローベースモデルの並列化よりもサンプリング速度が優れているにもかかわらず,密度推定値がベースラインの 44% に向上することが観察された。
  論文  参考訳（メタデータ） (2021-10-17T10:47:29Z)

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。