論文の概要: Exploring Polarimetric Properties Preservation during Reconstruction of PolSAR images using Complex-valued Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2602.07094v1
• Date: Fri, 06 Feb 2026 12:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.442403
• Title: Exploring Polarimetric Properties Preservation during Reconstruction of PolSAR images using Complex-valued Convolutional Neural Networks
• Title（参考訳）: 複素数値畳み込みニューラルネットワークを用いた PolSAR 画像再構成時の偏光特性の探索
• Authors: Quentin Gabot, Joana Frontera-Pons, Jérémy Fix, Chengfang Ren, Jean-Philippe Ovarlez,
• Abstract要約: 複素数値ニューラルネットワークは,完全偏光SARデータを効果的に圧縮・再構成できることを示す。 これらの知見は、SARデータ処理のためのロバストで物理インフォームドな複雑な数値生成モデルを開発するための道を開いた。
• 参考スコア（独自算出の注目度）: 4.826547145461756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The inherently complex-valued nature of Polarimetric SAR data necessitates using specialized algorithms capable of directly processing complex-valued representations. However, this aspect remains underexplored in the deep learning community, with many studies opting to convert complex signals into the real domain before applying conventional real-valued models. In this work, we leverage complex-valued neural networks and investigate the performance of complex-valued Convolutional AutoEncoders. We show that these networks can effectively compress and reconstruct fully polarimetric SAR data while preserving essential physical characteristics, as demonstrated through Pauli, Krogager, and Cameron coherent decompositions, as well as the non-coherent $H-α$ decomposition. Finally, we highlight the advantages of complex-valued neural networks over their real-valued counterparts. These insights pave the way for developing robust, physics-informed, complex-valued generative models for SAR data processing.
• Abstract（参考訳）: ポラリメトリックSARデータの本質的な複素値の性質は、複素値表現を直接処理できる特別なアルゴリズムを用いて必要となる。 しかし、この側面は、多くの研究が、従来の実数値モデルを適用する前に、複雑な信号を実領域に変換することを選択している。 本研究では,複雑な値を持つニューラルネットワークを活用し,複雑な値を持つ畳み込みオートエンコーダの性能について検討する。 これらのネットワークは、パウリ、クロガガー、キャメロンのコヒーレント分解および非コヒーレントな$H-α$分解によって示されるように、本質的な物理的特性を保ちながら、完全偏光SARデータを効果的に圧縮・再構成することができることを示す。 最後に、実数値ニューラルネットワークよりも複雑な数値ニューラルネットワークの利点を強調します。 これらの知見は、SARデータ処理のためのロバストで物理インフォームドな複雑な数値生成モデルを開発するための道を開いた。

関連論文リスト

• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• RVFL-X: A Novel Randomized Network Based on Complex Transformed Real-Valued Tabular Datasets [10.208788616684162]
  RVFL-Xは、乱数ベクトル汎関数リンク(RVFL)ネットワークの複素値拡張である。 入力、重み、アクティベーション関数などの複雑なコンポーネントを活用することで、RVFL-Xは複雑な表現を処理し、実数値出力を生成する。
  論文  参考訳（メタデータ） (2025-10-06T19:11:35Z)
• Hybrid Real- and Complex-valued Neural Network Architecture [2.6739705603496327]
  本稿では,実数値処理の計算効率と複素数値データを扱う能力を組み合わせることを目的として,HNNアーキテクチャを提案する。 AudioMNISTデータセットによる実験では、HNNはクロスエントロピー損失を低減し、考慮されたすべてのケースでRVNNと比較してパラメータを消費する。
  論文  参考訳（メタデータ） (2025-04-04T14:52:44Z)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Towards Understanding Theoretical Advantages of Complex-Reaction Networks [77.34726150561087]
  パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。 経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
  論文  参考訳（メタデータ） (2021-08-15T10:13:49Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI Reconstruction [9.55767753037496]
  本研究では、2チャネル実数値ネットワークの代わりに画像再構成のための終端複素値畳み込みニューラルネットワークについて検討する。 複雑な値の畳み込みを持つ複素値CNNは、トレーニング可能なパラメータの数が同じ実値の畳み込みよりも優れた再構成を提供することがわかった。
  論文  参考訳（メタデータ） (2020-04-03T19:00:23Z)
• Co-VeGAN: Complex-Valued Generative Adversarial Network for Compressive Sensing MR Image Reconstruction [8.856953486775716]
  本稿では,複素値入力を処理するための,複素値対向ネットワーク(Co-VeGAN)に基づく新しいフレームワークを提案する。 我々のモデルは複雑な値入力を処理でき、CS-MR画像の高品質な再構成を可能にする。
  論文  参考訳（メタデータ） (2020-02-24T20:28:49Z)

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。