論文の概要: High-Resolution Image Reconstruction with Unsupervised Learning and Noisy Data Applied to Ion-Beam Dynamics for Particle Accelerators

• arxiv url: http://arxiv.org/abs/2603.06689v1
• Date: Wed, 04 Mar 2026 10:20:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:12.800442
• Title: High-Resolution Image Reconstruction with Unsupervised Learning and Noisy Data Applied to Ion-Beam Dynamics for Particle Accelerators
• Title（参考訳）: 粒子加速器用イオンビームダイナミクスにおける教師なし学習とノイズデータを用いた高分解能画像再構成
• Authors: Francis Osswald, Mohammed Chahbaoui, Xinyi Liang,
• Abstract要約: 本研究は,データクリーニング,輪郭抽出,エミタンス再構築のための既存の画像処理技術についてレビューする。 オーバーフィッティングを制御するために、畳み込みフィルタリングとニューラルネットワークを最適化したアーリーストッピング戦略に基づく新しいアプローチを導入する。 低信号対雑音条件下では、ビーム発光画像の頑健な復調と高忠実な再構成を実現する。
• 参考スコア（独自算出の注目度）: 0.3186130813218338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image reconstruction in the presence of severe degradation remains a challenging inverse problem, particularly in beam diagnostics for high-energy physics accelerators. As modern facilities demand precise detection of beam halo structures to control losses, traditional analysis tools have reached their performance limits. This work reviews existing image-processing techniques for data cleaning, contour extraction, and emittance reconstruction, and introduces a novel approach based on convolutional filtering and neural networks with optimized early-stopping strategies in order to control overfitting. Despite the absence of training datasets, the proposed unsupervised framework achieves robust denoising and high-fidelity reconstruction of beam emittance images under low signal-to-noise conditions. The method extends measurable amplitudes beyond seven standard deviations, enabling unprecedented halo resolution.
• Abstract（参考訳）: 特に高エネルギー物理加速器のビーム診断において、深刻な劣化の存在下での画像再構成は困難な逆問題である。 現代の施設では、損失を制御するためにビームハロ構造を正確に検出する必要があるため、従来の分析ツールはその性能限界に達している。 本研究は、データクリーニング、輪郭抽出、エミタンス再構成のための既存の画像処理技術についてレビューし、オーバーフィッティングを制御するために、畳み込みフィルタリングと最適化されたアーリーストッピング戦略を用いたニューラルネットワークに基づく新しいアプローチを提案する。 トレーニングデータセットの欠如にもかかわらず、提案した教師なしフレームワークは、低信号対雑音条件下でのビームエミタンス画像の頑健な復調と高忠実度再構成を実現する。 この方法は7つの標準偏差を超えて測定可能な振幅を拡張し、前例のないハロ分解を可能にする。

関連論文リスト

• Revisiting Reconstruction-based AI-generated Image Detection: A Geometric Perspective [50.83711509908479]
  幾何学的観点からの再構成誤差に対するヤコビアンスペクトル下界の導入について述べる。 再構成多様体上の実画像は非自明な誤差下界を示し、多様体上の生成された画像はゼロに近い誤差を持つことを示す。 本稿では,構造化編集操作を活用することで動的再構成誤差を計算できるReGapを提案する。
  論文  参考訳（メタデータ） (2025-10-29T03:45:03Z)
• Super-temporal-resolution Photoacoustic Imaging with Dynamic Reconstruction through Implicit Neural Representation in Sparse-view [4.333674832664625]
  Inlicit Neural Representation (INR)は、スパースデータによる逆問題解決のための強力なディープラーニングツールとして登場した。 本研究では、スパースビューからの動的光音響画像再構成を改善するためのINRに基づく手法を提案する。 提案したINRは、動的光音響画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
  論文  参考訳（メタデータ） (2025-05-29T06:36:44Z)
• Quaternion Wavelet-Conditioned Diffusion Models for Image Super-Resolution [7.986370916847687]
  本稿では、第4次ウェーブレット前処理フレームワークと遅延拡散モデルを統合する新しいSRフレームワークResQuを紹介する。 提案手法は,四元系ウェーブレットの埋め込みを利用して,様々な段階で動的に統合される条件付けプロセスを強化する。 提案手法は,多くの場合において,知覚品質および標準評価指標における既存手法よりも優れる,優れたSR結果が得られる。
  論文  参考訳（メタデータ） (2025-05-01T06:17:33Z)
• Rethinking High-speed Image Reconstruction Framework with Spike Camera [48.627095354244204]
  スパイクカメラは連続的なスパイクストリームを生成し、従来のRGBカメラよりも低帯域幅でダイナミックレンジの高速シーンをキャプチャする。 従来のトレーニングパラダイムを超える新しいスパイク・ツー・イメージ再構築フレームワークであるSpikeCLIPを導入する。 実世界の低照度データセットに対する実験により、SpikeCLIPはテクスチャの詳細と回復した画像の輝度バランスを大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-01-08T13:00:17Z)
• Towards Lensless Image Deblurring with Prior-Embedded Implicit Neural Representations in the Low-Data Regime [0.5371337604556311]
  本稿では、従来のレンズを計算に置き換えた計算画像のサブセットである、レンズレス画像再構成について述べる。 我々は、暗黙のニューラル表現をレンズレス画像の劣化に活用し、事前トレーニングを必要とせずに再構成を実現した最初の人物である。
  論文  参考訳（メタデータ） (2024-11-27T10:12:29Z)
• Diffusion Enhancement for Cloud Removal in Ultra-Resolution Remote Sensing Imagery [48.14610248492785]
  雲層は、光学リモートセンシング(RS)画像の品質と効果を著しく損なう。 既存のディープラーニング(DL)ベースのクラウド削除(CR)技術は、元の視覚的正当性と画像の詳細なセマンティック内容の正確な再構築に困難を伴う。 この課題に対処するために、データと方法論の面での強化を提案する。
  論文  参考訳（メタデータ） (2024-01-25T13:14:17Z)
• Reconstruct-and-Generate Diffusion Model for Detail-Preserving Image Denoising [16.43285056788183]
  再構成・生成拡散モデル(Reconstruct-and-Generate Diffusion Model, RnG)と呼ばれる新しい手法を提案する。 提案手法は, 再構成型復調ネットワークを利用して, 基礎となるクリーン信号の大半を復元する。 拡散アルゴリズムを用いて残留する高周波の詳細を生成し、視覚的品質を向上させる。
  論文  参考訳（メタデータ） (2023-09-19T16:01:20Z)
• Reconstruction Distortion of Learned Image Compression with Imperceptible Perturbations [69.25683256447044]
  本稿では,学習画像圧縮(lic)の再構成品質を効果的に劣化させる攻撃手法を提案する。 我々は,Frobeniusノルムに基づく損失関数を導入して,元の画像と再構成された逆例との差を最大化することによって,逆例を生成する。 様々なlicモデルを用いてKodakデータセット上で実験を行った結果,有効性が確認された。
  論文  参考訳（メタデータ） (2023-06-01T20:21:05Z)
• Unsupervised Low-light Image Enhancement with Decoupled Networks [103.74355338972123]
  我々は、実世界の低照度画像を教師なしで拡張する2段階のGANベースのフレームワークを学習する。 提案手法は,照度向上と雑音低減の両面から,最先端の教師なし画像強調法より優れる。
  論文  参考訳（メタデータ） (2020-05-06T13:37:08Z)

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。