論文の概要: Fast Physics-Driven Untrained Network for Highly Nonlinear Inverse Scattering Problems

• arxiv url: http://arxiv.org/abs/2602.13805v1
• Date: Sat, 14 Feb 2026 14:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.431252
• Title: Fast Physics-Driven Untrained Network for Highly Nonlinear Inverse Scattering Problems
• Title（参考訳）: 高非線形逆散乱問題に対する高速物理駆動未学習ネットワーク
• Authors: Yutong Du, Zicheng Liu, Yi Huang, Bazargul Matkerim, Bo Qi, Yali Zong, Peixian Han,
• Abstract要約: Untrained Neural Network (UNN) は、高忠実性電磁逆散乱再構成を提供する。 本稿では,スペクトル領域次元の低減によるサブ秒間再構成を実現する実時間物理駆動フーリエスペクトル(PDF)法を提案する。 その結果、ノイズやアンテナの不確実性下での堅牢な性能を有する最先端のUNNよりも100倍のスピードアップを示す。
• 参考スコア（独自算出の注目度）: 12.21924310599522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Untrained neural networks (UNNs) offer high-fidelity electromagnetic inverse scattering reconstruction but are computationally limited by high-dimensional spatial-domain optimization. We propose a Real-Time Physics-Driven Fourier-Spectral (PDF) solver that achieves sub-second reconstruction through spectral-domain dimensionality reduction. By expanding induced currents using a truncated Fourier basis, the optimization is confined to a compact low-frequency parameter space supported by scattering measurements. The solver integrates a contraction integral equation (CIE) to mitigate high-contrast nonlinearity and a contrast-compensated operator (CCO) to correct spectral-induced attenuation. Furthermore, a bridge-suppressing loss is formulated to enhance boundary sharpness between adjacent scatterers. Numerical and experimental results demonstrate a 100-fold speedup over state-of-the-art UNNs with robust performance under noise and antenna uncertainties, enabling real-time microwave imaging applications.
• Abstract（参考訳）: Untrained Neural Network (UNN) は、高忠実性電磁逆散乱再構成を提供するが、高次元空間領域最適化によって計算的に制限される。 本稿では,スペクトル領域次元の低減によるサブ秒間再構成を実現する実時間物理駆動フーリエスペクトル(PDF)法を提案する。 トランキャットされたフーリエ基底を用いて誘導電流を拡大することにより、最適化は散乱測定によって支持されるコンパクトな低周波パラメータ空間に制限される。 高コントラスト非線形性を緩和するために収縮積分方程式(CIE)と、スペクトル誘起減衰を補正するためにコントラスト補償演算子(CCO)を統合する。 さらに、隣接する散乱器の境界シャープ性を高めるために、橋梁抑制損失を定式化する。 数値的および実験的な結果は、ノイズやアンテナの不確かさ下での堅牢な性能を有する最先端のUNNよりも100倍のスピードアップを示し、リアルタイムマイクロ波イメージングの応用を可能にする。

関連論文リスト

• FUTON: Fourier Tensor Network for Implicit Neural Representations [56.48739018255443]
  入射神経表現(INR)はシグナルを符号化する強力なツールとして現れてきたが、支配的な設計はしばしば収束が遅く、ノイズに過度に適応し、外挿が不十分である。 低ランクテンソル分解により係数がパラメータ化される一般化フーリエ級数として信号をモデル化するFUTONを導入する。
  論文  参考訳（メタデータ） (2026-02-13T19:31:44Z)
• From Sparse Sensors to Continuous Fields: STRIDE for Spatiotemporal Reconstruction [3.2580743227673694]
  時空間デコーダを用いた高次元空間場を潜時状態にマッピングするフレームワークSTRIDEを提案する。 STRIDEは超高分解能をサポートし、超高分解能をサポートし、ノイズに対して頑健であることを示す。
  論文  参考訳（メタデータ） (2026-02-04T04:39:23Z)
• Physics-Informed Deep Contrast Source Inversion: A Unified Framework for Inverse Scattering Problems [23.533153154632082]
  本稿では,高速かつ高精度な媒体再構成のための物理インフォームド・ディープコントラスト・ソース・インバージョン・フレームワーク(DeepCSI)を提案する。 コントラスト源インバージョン(CSI)とニューラル演算子法にインスパイアされた残留多層パーセプトロン(ResMLP)は、電流分布をモデル化するために用いられる。 DeepCSIは、完全データ、位相なしデータ、多周波条件下で、高精度で堅牢な再構成を実現する。
  論文  参考訳（メタデータ） (2025-08-14T11:50:16Z)
• Physics-Driven Neural Network for Solving Electromagnetic Inverse Scattering Problems [7.564377962527698]
  物理駆動型ニューラルネットワーク(PDNN)を用いた逆散乱問題(ISP)に対する新しい解法を提案する。 PDNNは、収集された散乱場の入力と予測された解に対応する散乱場の計算のみを訓練する。 提案手法は, 複合損失散乱器を用いた場合であっても, 復元精度が高く, 安定性が高いことを示す。
  論文  参考訳（メタデータ） (2025-07-22T08:04:50Z)
• WAVE-UNET: Wavelength based Image Reconstruction method using attention UNET for OCT images [1.0835264351334324]
  本稿では, ラムダ空間から直接, 高品質なOCT画像を再構成し, 複雑さを軽減するための体系的設計手法WAVE-UNETを提案する。 このフレームワークは、IDFT処理されたラムダ空間フリンジを入力として、アテンションゲーティングと残差接続を持つ修正UNETを使用している。 この方法は、時間複雑度を著しく低減した良質なBスキャンを生成することによって、従来のOCTシステムより一貫して優れる。
  論文  参考訳（メタデータ） (2024-10-05T11:16:10Z)
• DispersioNET: Joint Inversion of Rayleigh-Wave Multimode Phase Velocity Dispersion Curves using Convolutional Neural Networks [0.0]
  DispersioNETは畳み込みニューラルネットワーク(CNN)に基づくディープラーニングモデルである レイリー波の基本と高次モード位相速度分散曲線の合同反転を行う。 ノイズフリーおよび雑音分散曲線データセットの両方でトレーニングおよびテストを行う。
  論文  参考訳（メタデータ） (2023-10-21T19:22:32Z)
• Convergence of mean-field Langevin dynamics: Time and space discretization, stochastic gradient, and variance reduction [49.66486092259376]
  平均場ランゲヴィンダイナミクス(英: mean-field Langevin dynamics、MFLD)は、分布依存のドリフトを含むランゲヴィン力学の非線形一般化である。 近年の研究では、MFLDは測度空間で機能するエントロピー規則化された凸関数を地球規模で最小化することが示されている。 有限粒子近似,時間分散,勾配近似による誤差を考慮し,MFLDのカオスの均一時間伝播を示す枠組みを提供する。
  論文  参考訳（メタデータ） (2023-06-12T16:28:11Z)
• Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
  部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。 本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
  論文  参考訳（メタデータ） (2023-06-05T13:53:57Z)
• Momentum Diminishes the Effect of Spectral Bias in Physics-Informed Neural Networks [72.09574528342732]
  物理インフォームドニューラルネットワーク(PINN)アルゴリズムは、偏微分方程式(PDE)を含む幅広い問題を解く上で有望な結果を示している。 彼らはしばしば、スペクトルバイアスと呼ばれる現象のために、ターゲット関数が高周波の特徴を含むとき、望ましい解に収束しない。 本研究は, 運動量による勾配降下下で進化するPINNのトレーニングダイナミクスを, NTK(Neural Tangent kernel)を用いて研究するものである。
  論文  参考訳（メタデータ） (2022-06-29T19:03:10Z)
• Fourier Space Losses for Efficient Perceptual Image Super-Resolution [131.50099891772598]
  提案した損失関数の適用のみで,最近導入された効率的なジェネレータアーキテクチャの性能向上が可能であることを示す。 フーリエ空間における周波数に対する損失の直接的強調は知覚的画質を著しく向上させることを示す。 訓練されたジェネレータは、最先端の知覚的SR法である RankSRGAN と SRFlow よりも2.4倍、48倍高速である。
  論文  参考訳（メタデータ） (2021-06-01T20:34:52Z)
• Hessian-Free High-Resolution Nesterov Acceleration for Sampling [55.498092486970364]
  最適化のためのNesterovのAccelerated Gradient(NAG)は、有限のステップサイズを使用する場合の連続時間制限(ノイズなしの運動的ランゲヴィン)よりも優れたパフォーマンスを持つ。 本研究は, この現象のサンプリング法について検討し, 離散化により加速勾配に基づくMCMC法が得られる拡散過程を提案する。
  論文  参考訳（メタデータ） (2020-06-16T15:07:37Z)

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。