論文の概要: Eleven Primitives and Three Gates: The Universal Structure of Computational Imaging

• arxiv url: http://arxiv.org/abs/2603.13521v1
• Date: Fri, 13 Mar 2026 18:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.254853
• Title: Eleven Primitives and Three Gates: The Universal Structure of Computational Imaging
• Title（参考訳）: 11のプリミティブと3つのゲート:計算イメージングの普遍構造
• Authors: Chengshuai Yang, Xin Yuan,
• Abstract要約: すべての画像フォワードモデルが、正確に11個の物理的型付けプリミティブ上の有向非巡回グラフに分解されることを証明した。 全ての再建失敗は、情報不足、キャリアノイズ、オペレータミスマッチの3つの独立した根本原因を持つことを示す。
• 参考スコア（独自算出の注目度）: 8.513179174301722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational imaging systems -- from coded-aperture cameras to cryo-electron microscopes -- span five carrier families yet share a hidden structural simplicity. We prove that every imaging forward model decomposes into a directed acyclic graph over exactly 11 physically typed primitives (Finite Primitive Basis Theorem) -- a sufficient and minimal basis that provides a compositional language for designing any imaging modality. We further prove that every reconstruction failure has exactly three independent root causes: information deficiency, carrier noise, and operator mismatch (Triad Decomposition). The three gates map to the system lifecycle: Gates 1 and 2 guide design (sampling geometry, carrier selection); Gate 3 governs deployment-stage calibration and drift correction. Validation across 12 modalities and all five carrier families confirms both results, with +0.8 to +13.9 dB recovery on deployed instruments. Together, the 11 primitives and 3 gates establish the first universal grammar for designing, diagnosing, and correcting computational imaging systems.
• Abstract（参考訳）: コンピュータ画像システム(コーデック・アパーチャカメラから低温電子顕微鏡まで)は、5つのキャリアーファミリーにまたがるが、隠された構造的単純さを共有している。我々は、すべてのイメージングフォワードモデルが、正確に11の物理的型付けプリミティブ(Finite Primitive Basis Theorem)の上に有向非環状グラフに分解されることを証明している。画像モダリティを設計するための構成言語を提供する十分かつ最小の基盤である。 さらに,再建障害には情報不足,キャリアノイズ,オペレータミスマッチ(Triad Decomposition)の3つの独立した根本原因が存在することを証明した。 3つのゲートはシステムライフサイクルにマップされる:ゲート1と2のガイドデザイン(サンプリング幾何学、キャリアの選択)、ゲート3は配置段階のキャリブレーションとドリフト補正を管理する。 12のモダリティと5つのキャリアーファミリーの検証は、両方の結果を確認し、+0.8から+13.9dBのリカバリを行う。 11のプリミティブと3つのゲートは、計算イメージングシステムを設計、診断、修正するための最初の普遍文法を確立している。

関連論文リスト

• The Finite Primitive Basis Theorem for Computational Imaging: Formal Foundations of the OperatorGraph Representation [1.7259824817932294]
  我々は、広義、正確に定義された作用素クラス Cimg におけるすべてのフォワードモデルが、型付き有向非巡回グラフ(DAG)としてエプシロン近似表現を認めることを証明した。 我々は、Cimgの任意のHが与えられたとき、ほとんどのエプシロンにおける相対演算子誤差と所定境界内のグラフ複雑性を持つDAG Gを生成するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2026-02-24T05:07:06Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• trAIce3D: A Prompt-Driven Transformer Based U-Net for Semantic Segmentation of Microglial Cells from Large-Scale 3D Microscopy Images [39.58317527488534]
  本稿では,精密マイクログリアセグメンテーションのためのディープラーニングアーキテクチャであるtrAIce3Dを紹介する。 まず、エンコーダ内の視覚変換器を備えた3D U-Netは、スライディングウインドウ技術を用いて、画像全体をカバーするソマを検出する。 次に、ソマ座標をプロンプトとして、ターゲットセルの周りの3Dウィンドウを入力として、ソマとその枝を洗練する。 TRAIce3Dは41,230マイクログリアセルのデータセットで訓練され、評価され、セグメンテーションの精度とスケーラブルな一般化を著しく改善する。
  論文  参考訳（メタデータ） (2025-07-30T12:54:53Z)
• UltraSeP: Sequence-aware Pre-training for Echocardiography Probe Movement Guidance [70.94473797093293]
  本稿では,高品質な標準平面画像取得のためのプローブポーズ調整によるロボットシステムや初心者の誘導に応用可能な,新しいプローブ移動誘導アルゴリズムを提案する。 本研究では, マスクアウト画像の特徴とプローブ動作をスキャンシーケンスで予測することにより, パーソナライズされた3次元心構造の特徴を学習する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• Structural Attention: Rethinking Transformer for Unpaired Medical Image Synthesis [25.531060259709157]
  Transformerベースのモデルは、長距離依存関係をキャプチャする機能のおかげで、画像翻訳タスクに優れています。 本稿では,強い帰納バイアスを欠くトランスフォーマーが,ペアデータがない場合に最適でない解に収束できることを実証的に示す。 UNet Structured Transformer (UNest) は, 医用画像合成のための構造的帰納バイアスを取り入れた新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2024-06-27T07:59:25Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• 3D Structure from 2D Microscopy images using Deep Learning [0.0]
  近年の人工知能の進歩は、顕微鏡画像から正確な3D構造を取り出すために応用されている。 本稿では,2次元単一分子局在顕微鏡画像からタンパク質複合体を再構成する深層学習ソリューションを提案する。
  論文  参考訳（メタデータ） (2021-10-14T14:55:41Z)

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。