論文の概要: DeepLight: A Sobolev-trained Image-to-Image Surrogate Model for Light Transport in Tissue

• arxiv url: http://arxiv.org/abs/2601.09439v1
• Date: Wed, 14 Jan 2026 12:40:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.397391
• Title: DeepLight: A Sobolev-trained Image-to-Image Surrogate Model for Light Transport in Tissue
• Title（参考訳）: DeepLight: ソボレフで訓練された組織中の光輸送のためのイメージ・ツー・イメージ・サロゲートモデル
• Authors: Philipp Haim, Vasilis Ntziachristos, Torsten Enßlin, Dominik Jüstel,
• Abstract要約: 本稿では,ソボレフトレーニングを用いた組織内光輸送のためのサロゲートモデルを提案する。 この結果から,光輸送代理モデルのソボレフトレーニングは,微分精度の向上だけでなく,分布内および分布外サンプルの一般化誤差の低減を図っている。
• 参考スコア（独自算出の注目度）: 2.9375578835633838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In optoacoustic imaging, recovering the absorption coefficients of tissue by inverting the light transport remains a challenging problem. Improvements in solving this problem can greatly benefit the clinical value of optoacoustic imaging. Existing variational inversion methods require an accurate and differentiable model of this light transport. As neural surrogate models allow fast and differentiable simulations of complex physical processes, they are considered promising candidates to be used in solving such inverse problems. However, there are in general no guarantees that the derivatives of these surrogate models accurately match those of the underlying physical operator. As accurate derivatives are central to solving inverse problems, errors in the model derivative can considerably hinder high fidelity reconstructions. To overcome this limitation, we present a surrogate model for light transport in tissue that uses Sobolev training to improve the accuracy of the model derivatives. Additionally, the form of Sobolev training we used is suitable for high-dimensional models in general. Our results demonstrate that Sobolev training for a light transport surrogate model not only improves derivative accuracy but also reduces generalization error for in-distribution and out-of-distribution samples. These improvements promise to considerably enhance the utility of the surrogate model in downstream tasks, especially in solving inverse problems.
• Abstract（参考訳）: 光音響イメージングでは、光輸送を反転させることによって組織の吸収係数を回復することは難しい問題である。 この問題の解決における改善は、光音響画像の臨床的価値に大きく貢献する。 既存の変分反転法は、この光輸送の正確で微分可能なモデルを必要とする。 ニューラルサロゲートモデルは複雑な物理過程の高速かつ微分可能なシミュレーションを可能にするため、そのような逆問題の解決に使える有望な候補と考えられる。 しかし、一般にこれらの代理モデルの微分が基礎となる物理作用素の微分と正確に一致するという保証はない。 精度の高い微分が逆問題の解法の中心であるため、モデル微分の誤差は高い忠実度再構成をかなり妨げる可能性がある。 この制限を克服するために, ソボレフトレーニングを用いて, モデル導体の精度を向上させるために, 組織中の光輸送の代理モデルを提案する。 さらに、我々が使ったソボレフトレーニングの形式は、一般に高次元モデルに適している。 この結果から,光輸送代理モデルのソボレフトレーニングは,微分精度の向上だけでなく,分布内および分布外サンプルの一般化誤差の低減を図っている。 これらの改善は、特に逆問題の解決において、下流タスクにおけるサロゲートモデルの有用性を大幅に向上させることを約束する。

関連論文リスト

• Censored Sampling for Topology Design: Guiding Diffusion with Human Preferences [1.3654846342364308]
  本稿では, 生成過程を制御できる, 新規なHuman-in-the-loop拡散フレームワークを提案する。 生成モデルにおける選好アライメント手法に着想を得て,非現実的な出力を抑える方法を学ぶ。 予備的な結果は、様々なテスト条件で失敗モードが大幅に減少し、設計リアリズムが改善したことを示している。
  論文  参考訳（メタデータ） (2025-08-03T05:06:26Z)
• One-for-More: Continual Diffusion Model for Anomaly Detection [63.50488826645681]
  異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。 われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。 本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-27T07:47:27Z)
• Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
  実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。 本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
  論文  参考訳（メタデータ） (2024-11-17T17:45:37Z)
• Integrating Neural Operators with Diffusion Models Improves Spectral Representation in Turbulence Modeling [3.9134883314626876]
  我々は、乱流の代理モデリングにおいて、ニューラル演算子のスペクトル制限に対処するために、拡散モデルとニューラル演算子を統合する。 我々のアプローチは、多様なデータセット上で異なるニューラル演算子に対して検証されている。 この研究は、生成モデルとニューラル演算子を組み合わせるための新しいパラダイムを確立し、乱流系の代理モデリングを前進させる。
  論文  参考訳（メタデータ） (2024-09-13T02:07:20Z)
• Fine-Tuning of Continuous-Time Diffusion Models as Entropy-Regularized Control [54.132297393662654]
  拡散モデルは、自然画像やタンパク質のような複雑なデータ分布を捉えるのに優れている。 拡散モデルはトレーニングデータセットの分布を表現するために訓練されるが、私たちはしばしば、生成された画像の美的品質など他の特性にもっと関心を持っている。 本稿では,本フレームワークが真に報酬の高い多種多様なサンプルを効率よく生成できることを示す理論的,実証的な証拠を示す。
  論文  参考訳（メタデータ） (2024-02-23T08:54:42Z)
• Towards Sobolev Pruning [0.0]
  本稿では,学習および刈り取り過程を通じて感度情報を用いて代理モデルを見つけることを提案する。 本研究は,近年のソボレフ訓練の進歩と相まって,インターバル・アジョイント・重要度分析を用いて作業を構築している。 ブラウン運動を持つ微分方程式をモデルとした多次元オプションの価格設定の例について実験的に検討した。
  論文  参考訳（メタデータ） (2023-12-06T14:13:30Z)
• Training-free Linear Image Inverses via Flows [17.291903204982326]
  本研究では,事前学習フローモデルを用いて,線形逆問題に対する学習自由度を求める手法を提案する。 提案手法では,高次元データセット上でのノイズの多い線形逆問題に対して,問題固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2023-09-25T22:13:16Z)

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。