論文の概要: ComptonUNet: A Deep Learning Model for GRB Localization with Compton Cameras under Noisy and Low-Statistic Conditions

• arxiv url: http://arxiv.org/abs/2602.17085v1
• Date: Thu, 19 Feb 2026 05:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.70362
• Title: ComptonUNet: A Deep Learning Model for GRB Localization with Compton Cameras under Noisy and Low-Statistic Conditions
• Title（参考訳）: ComptonUNet: 雑音および低統計条件下でのコンプトンカメラを用いたGRBローカライゼーションのためのディープラーニングモデル
• Authors: Shogo Sato, Kazuo Tanaka, Shojun Ogasawara, Kazuki Yamamoto, Kazuhiko Murasaki, Ryuichi Tanida, Jun Kataoka,
• Abstract要約: ガンマ線バースト(GRB)は高エネルギーの天体物理過程の強力なプローブである。 弱い光源の検出と位置特定は、低光子統計と実質的な背景雑音のため、依然として困難である。 我々は、生データを共同で処理し、GRBのロバストなローカライゼーションのために画像を再構成するハイブリッドディープラーニングフレームワークComptonUNetを提案する。
• 参考スコア（独自算出の注目度）: 2.491230145999197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gamma-ray bursts (GRBs) are among the most energetic transient phenomena in the universe and serve as powerful probes for high-energy astrophysical processes. In particular, faint GRBs originating from a distant universe may provide unique insights into the early stages of star formation. However, detecting and localizing such weak sources remains challenging owing to low photon statistics and substantial background noise. Although recent machine learning models address individual aspects of these challenges, they often struggle to balance the trade-off between statistical robustness and noise suppression. Consequently, we propose ComptonUNet, a hybrid deep learning framework that jointly processes raw data and reconstructs images for robust GRB localization. ComptonUNet was designed to operate effectively under conditions of limited photon statistics and strong background contamination by combining the statistical efficiency of direct reconstruction models with the denoising capabilities of image-based architectures. We perform realistic simulations of GRB-like events embedded in background environments representative of low-Earth orbit missions to evaluate the performance of ComptonUNet. Our results demonstrate that ComptonUNet significantly outperforms existing approaches, achieving improved localization accuracy across a wide range of low-statistic and high-background scenarios.
• Abstract（参考訳）: ガンマ線バースト(GRB)は宇宙で最も高エネルギーな過渡現象であり、高エネルギーの天体物理過程の強力なプローブとして機能する。 特に、遠方の宇宙に由来するかすかなGRBは、恒星形成の初期段階について独自の洞察を与える可能性がある。 しかし、低い光子統計とかなりの背景雑音のため、そのような弱い音源の検出と位置決めは依然として困難である。 最近の機械学習モデルはこれらの課題の個々の側面に対処しているが、統計的堅牢性とノイズ抑圧の間のトレードオフのバランスをとるのに苦労することが多い。 そこで我々は,GRBのロバストなローカライゼーションのために,生データを共同で処理し,画像を再構成するハイブリッドディープラーニングフレームワークComptonUNetを提案する。 ComptonUNetは、直接再構成モデルの統計的効率と画像ベースアーキテクチャの認知能力を組み合わせることで、限られた光子統計と強い背景汚染の条件下で効果的に動作するように設計された。 我々は、コンプトンUNetの性能を評価するために、低地球軌道ミッションに代表される背景環境に埋め込まれたGRBのような事象を現実的にシミュレーションする。 以上の結果から,ComptonUNetは既存の手法よりも優れており,低統計・高背景シナリオの多岐にわたるローカライゼーション精度の向上を実現している。

関連論文リスト

• Denoising the Deep Sky: Physics-Based CCD Noise Formation for Astronomical Imaging [47.83642412662346]
  学習ベースのdenoisingは有望だが、ペアのトレーニングデータが不足しているため、進歩は妨げられている。 CCDノイズ生成に適した物理に基づくノイズ合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T18:47:54Z)
• Diffusion-Based Limited-Angle CT Reconstruction under Noisy Conditions [10.287171164361608]
  角投影の欠如は、再構成された画像の不完全なシノグラムやアーティファクトに繋がる。 本稿では, 平均回帰微分方程式(MR-SDE)を用いて, 角ビューの欠落を解消する拡散型フレームワークを提案する。 現実的な雑音下でのロバスト性を改善するために,推論時間不確実性を明示的にモデル化する新しいノイズ認識機構を提案する。
  論文  参考訳（メタデータ） (2025-07-08T03:58:52Z)
• Dark Noise Diffusion: Noise Synthesis for Low-Light Image Denoising [22.897202020483576]
  低照度写真は、限られた光子による信号対雑音比の低い画像を生成する。 ディープラーニングの手法はうまく機能するが、取得には実用的でないペア画像の大規模なデータセットが必要である。 本稿では,低照度雑音の複雑な分布を捉える拡散モデルについて検討する。
  論文  参考訳（メタデータ） (2025-03-14T10:16:54Z)
• RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
  RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。 我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。 その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-12-15T13:33:09Z)
• LDM-ISP: Enhancing Neural ISP for Low Light with Latent Diffusion Models [54.93010869546011]
  本稿では,事前学習した潜伏拡散モデルを用いて,超低照度画像の高精細化のためのニューラルISPを実現することを提案する。 具体的には、RAWドメイン上で動作するために事前訓練された潜在拡散モデルを調整するために、軽量なテーミングモジュールのセットをトレーニングする。 遅延拡散モデルにおけるUNet復調と復号化の異なる役割を観察し、低照度画像強調タスクを遅延空間低周波コンテンツ生成と復号位相高周波ディテール保守に分解するきっかけとなる。
  論文  参考訳（メタデータ） (2023-12-02T04:31:51Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)

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。