論文の概要: Contactless estimation of continuum displacement and mechanical compressibility from image series using a deep learning based framework

• arxiv url: http://arxiv.org/abs/2602.07065v1
• Date: Thu, 05 Feb 2026 14:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.417061
• Title: Contactless estimation of continuum displacement and mechanical compressibility from image series using a deep learning based framework
• Title（参考訳）: 深層学習に基づく画像系列からの連続体変位と機械的圧縮率の非接触推定
• Authors: A. N. Maria Antony, T. Richter, E. Gladilin,
• Abstract要約: 本稿では,画像系列から直接連続体変位と材料圧縮性を評価するために,効率的なディープラーニングに基づくエンドツーエンドアプローチを提案する。 画像登録と材料圧縮可能性推定のための2つのディープニューラルネットワークに基づいて、このフレームワークは、効率と精度の点で従来のアプローチより優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contactless and non-invasive estimation of mechanical properties of physical media from optical observations is of interest for manifold engineering and biomedical applications, where direct physical measurements are not possible. Conventional approaches to the assessment of image displacement and non-contact material probing typically rely on time-consuming iterative algorithms for non-rigid image registration and constitutive modelling using discretization and iterative numerical solving techniques, such as Finite Element Method (FEM) and Finite Difference Method (FDM), which are not suitable for high-throughput data processing. Here, we present an efficient deep learning based end-to-end approach for the estimation of continuum displacement and material compressibility directly from the image series. Based on two deep neural networks for image registration and material compressibility estimation, this framework outperforms conventional approaches in terms of efficiency and accuracy. In particular, our experimental results show that the deep learning model trained on a set of reference data can accurately determine the material compressibility even in the presence of substantial local deviations of the mapping predicted by image registration from the reference displacement field. Our findings suggest that the remarkable accuracy of the deep learning end-to-end model originates from its ability to assess higher-order cognitive features, such as the vorticity of the vector field, rather than conventional local features of the image displacement.
• Abstract（参考訳）: 光観測による物理媒体の力学的特性の非接触的・非侵襲的推定は、直接物理測定が不可能な多様体工学および生体医学的応用に重要である。 画像変位評価と非接触材料探索に対する従来のアプローチは、高スループットデータ処理には適さない有限要素法(FEM)や有限差分法(FDM)のような離散化および反復数値解法を用いて、非剛性画像登録と構成モデリングのための時間的反復アルゴリズムに依存している。 本稿では,画像系列から直接連続体変位と材料圧縮性を評価するために,効率的なディープラーニングに基づくエンドツーエンドアプローチを提案する。 画像登録と材料圧縮可能性推定のための2つのディープニューラルネットワークに基づいて、このフレームワークは、効率と精度の点で従来のアプローチより優れている。 特に, 実験結果から, 基準データに基づいて学習した深層学習モデルは, 基準変位場からの画像登録によって予測される地図の相当な局所的偏差があっても, 精度よく材料圧縮性を決定することができることがわかった。 画像変位の局所的特徴よりもベクトル場の渦性などの高次認知的特徴を評価する能力から,ディープラーニングのエンドツーエンドモデルの顕著な精度が示唆された。

関連論文リスト

• Direct Dual-Energy CT Material Decomposition using Model-based Denoising Diffusion Model [105.95160543743984]
  本稿では,Dual-Energy Decomposition Model-based Diffusion (DEcomp-MoD) と呼ばれる深層学習手法を提案する。 Decomp-MoDは、教師なしスコアベースモデルと教師なしディープラーニングネットワークより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-24T01:00:06Z)
• A Physics-Inspired Deep Learning Framework with Polar Coordinate Attention for Ptychographic Imaging [8.436077464774755]
  Ptychography Imagingは、回折パターンからの位相検索にディープラーニングを適用する際に、固有の課題に直面している。 本稿では,Pola Coordinate Attention (PoCA) を用いた物理に着想を得た深層学習ネットワークPPNについて述べる。
  論文  参考訳（メタデータ） (2024-11-25T06:49:59Z)
• LADMIM: Logical Anomaly Detection with Masked Image Modeling in Discrete Latent Space [0.0]
  マスク付き画像モデリングは、画像中のマスキング領域の特徴表現を予測する自己教師付き学習技術である。 本稿では,MIMの特性を利用して論理異常を効果的に検出する手法を提案する。 提案手法をMVTecLOCOデータセット上で評価し,平均AUC 0.867。
  論文  参考訳（メタデータ） (2024-10-14T07:50:56Z)
• DepthFM: Fast Monocular Depth Estimation with Flow Matching [22.206355073676082]
  現在の識別的深さ推定法は、しばしばぼやけた人工物を生成するが、生成的アプローチはノイズ・ツー・ディープ・トランスポートの曲率によるサンプリングが遅い。 本手法は,画像と深度分布間の直接輸送として深度推定をフレーミングすることで,これらの課題に対処する。 提案手法は, 複雑な自然シーンの標準ベンチマークにおいて, サンプリング効率を向上し, 学習に最小限の合成データしか必要とせず, 競争力のあるゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2024-03-20T17:51:53Z)
• Deep Learning reconstruction with uncertainty estimation for $\gamma$ photon interaction in fast scintillator detectors [1.0149560203037322]
  本稿では,モノリシックシンチレータ内のガンマ相互作用の空間座標を定量的に推定する物理インフォームド深層学習法を提案する。 高速鉛タングステイト検出器における2次元ガンマ光子相互作用座標を推定する密度ニューラルネットワーク手法が提案されている。
  論文  参考訳（メタデータ） (2023-10-10T12:31:29Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• 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)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。