論文の概要: Improving Radio Interferometry Imaging by Explicitly Modeling Cross-Domain Consistency in Reconstruction

• arxiv url: http://arxiv.org/abs/2604.16794v1
• Date: Sat, 18 Apr 2026 02:46:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.176312
• Title: Improving Radio Interferometry Imaging by Explicitly Modeling Cross-Domain Consistency in Reconstruction
• Title（参考訳）: 画像再構成におけるクロスドメイン一貫性の明示的モデリングによる電波干渉法の改良
• Authors: Kai Cheng, Ruoqi Wang, Qiong Luo,
• Abstract要約: 本稿では,クロスドメイン一貫性を明示的にモデル化したマルチモーダル無線干渉データ再構成手法を提案する。 実験の結果,CDCRecはクロスドメイン相関抽出の強化により撮像性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 10.224329769135139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio astronomy plays a crucial role in understanding the universe, particularly within the realm of non-thermal astrophysics. Images of celestial objects are derived from the signals (called visibility) measured by radio telescopes. Such imaging results, called dirty images, contain artifacts due to factors such as sparsity and therefore require reconstruction to improve imaging quality. Existing methods typically restrict reconstruction to a unimodal domain, either to the dirty image after imaging or to the sparse visibility prior to imaging. Focusing solely on each unimodal reconstruction results in the loss of complementary in-context information in either the visibility or image domain, leading to an incomplete modeling of mutual dependency and consistency. To address these challenges, we propose CDCRec, a multimodal radio interferometric data reconstruction method that explicitly models cross-domain consistency. We design a hierarchical multi-task and multi-stage framework to enhance the exploration of interplays between domains during reconstruction. Our experimental results demonstrate that CDCRec improves imaging performance through enhanced cross-domain correlation extraction. In particular, our self-supervised complementary modeling strategy is better than current methods at interferometric domain translations that rely heavily on recovering dense information from constrained source-domain data.
• Abstract（参考訳）: 電波天文学は宇宙、特に非熱天体物理学の領域における理解において重要な役割を担っている。 天体の画像は、電波望遠鏡によって測定された信号(可視性と呼ばれる)から導かれる。 汚れた画像と呼ばれるこの画像結果には、スパーシティなどの要因による人工物が含まれており、画像の質を向上させるために再構築が必要である。 既存の手法では、通常、撮像後の汚れた画像や撮像前の粗い視認性など、一様領域への再構成を制限している。 各一元的再構成にのみ焦点をあてると、可視性または画像領域の相補的なインコンテキスト情報が失われ、相互依存と一貫性の不完全なモデリングがもたらされる。 これらの課題に対処するために,クロスドメイン一貫性を明示的にモデル化したマルチモーダル無線干渉データ再構成法CDCRecを提案する。 階層的なマルチタスクとマルチステージのフレームワークを設計し、再構築中のドメイン間の相互作用の探索を強化する。 実験の結果,CDCRecはクロスドメイン相関抽出の強化により撮像性能が向上することが示された。 特に、我々の自己教師付き補完的モデリング戦略は、制約されたソース・ドメインデータから高密度な情報を復元することに大きく依存する、干渉型ドメイン翻訳における現在の手法よりも優れている。

関連論文リスト

• FINDER: Zero-Shot Field-Integrated Network for Distortion-free EPI Reconstruction in Diffusion MRI [3.758780571280516]
  FINDER (Field-Integrated Network for Distortion-free EPI Reconstruction) はゼロショット・スキャン固有の新しいフレームワークである。 これは、基底画像と$B_0$フィールドマップの合同最適化として再構成を再構成する。 FINDERは、最先端のベースラインよりも優れた幾何学的忠実度と画質を実現する。
  論文  参考訳（メタデータ） (2026-03-27T07:05:46Z)
• Generative imaging for radio interferometry with fast uncertainty quantification [4.294714866547824]
  学習可能な再構築手法は、効率的で高品質な再構築を実現する上で有望である。 本稿では,後部分布の効率的な近似サンプリングを可能にする生成ニューラルネットワークの利用について検討する。 本手法は,次世代電波望遠鏡の計算効率,拡張性,不確実性に配慮した画像化に向けた重要なステップを提供する。
  論文  参考訳（メタデータ） (2025-07-28T18:52:07Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain Adaptation [9.659642285903418]
  放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成 本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T16:22:31Z)

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。