論文の概要: Multimodal Diffusion to Mutually Enhance Polarized Light and Low Resolution EBSD Data
- arxiv url: http://arxiv.org/abs/2604.22212v1
- Date: Fri, 24 Apr 2026 04:30:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.339667
- Title: Multimodal Diffusion to Mutually Enhance Polarized Light and Low Resolution EBSD Data
- Title（参考訳）: 極性光と低分解能EBSDデータへの多モード拡散
- Authors: Harry Dong, Timofey Efimov, Megna Shah, Jeff Simmons, Sean Donegan, Marc De Graef, Yuejie Chi,
- Abstract要約: 3次元電子後方散乱回折(EBSD)顕微鏡の有用性にもかかわらず、データ収集には時間がかかる。
EBSD データの25% (1/4) と PL データの分解能にはほとんど差がないことを示す。
- 参考スコア（独自算出の注目度）: 31.890956756621506
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In spite of the utility of 3-D electron back-scattered diffraction (EBSD) microscopy, the data collection process can be time-consuming with serial-sectioning. Hence, it is natural to look at other modalities, such as polarized light (PL) data, to accelerate EBSD data collection, supplemented with shared information. Complementarily, features in chaotic PL data could even be enriched with a handful of EBSD measurements. To inherently learn the complex dynamics between EBSD and PL to solve these inverse problems, we use an unconditional multimodal diffusion model, motivated by progress in diffusion models for inverse problems. Although trained solely on synthetic data once, our model has strong generalizable capabilities on real data which can be low-resolution, noisy, corrupted, and misregistered. With inference-time scaling, we show gains in performance on a variety of objectives including grain boundary prediction, super-resolution, and denoising. With our model, we demonstrate that there is little difference from full resolution performance with only 25% (1/4 the resolution) of EBSD data and corrupted PL data.
- Abstract（参考訳）: 3次元電子後方散乱回折(EBSD)顕微鏡の有用性にもかかわらず、データ収集プロセスはシリアル切断に時間を要する可能性がある。
したがって、分極光(PL)データなどの他のモダリティを見て、共有情報で補足されたEBSDデータ収集を加速することは自然である。
補足的に、カオスPLデータの機能は、少しのEBSD測定で豊かにすることもできる。
これらの逆問題を解決するために、EBSD と PL の間の複雑な力学を本質的に学習するために、逆問題に対する拡散モデルの進行に動機づけられた非条件の多重モード拡散モデルを用いる。
合成データのみにのみ訓練されているが、我々のモデルは、低解像度、ノイズ、破損、誤登録が可能な実データに対して強力な一般化能力を有する。
推定時間スケーリングでは,粒界予測,超解像,デノナイジングなど,様々な目的に対して性能が向上することを示す。
本モデルでは,EBSDデータの25% (1/4) と PL データの分解能にはほとんど差がないことを示した。
関連論文リスト
- DS-Diffusion: Data Style-Guided Diffusion Model for Time-Series Generation [3.7098771725459336]
時系列生成タスクのためのデータスタイル誘導拡散モデル(DS-Diffusion)を提案する。
DS-Diffusionは、条件付きガイダンスを導入するためにフレームワーク全体をトレーニングするのを避ける。
生成されたサンプルは、それらが発するデータスタイルを明確に示すことができる。
論文 参考訳（メタデータ） (2025-09-23T03:06:39Z) - ItDPDM: Information-Theoretic Discrete Poisson Diffusion Model [5.24776944932192]
本稿では,光子到着過程に着想を得た情報理論離散ポアソン拡散モデル(ITDPDM)を紹介する。
我々のアプローチの中心は、真のデータ可能性と証明可能な正確な関係を持つ情報理論ポアソン再構成損失(PRL)である。
IDPDMは、分布ロバストな離散生成モデルの概念の証明を実証する優れた推定値と競合生成品質を得る。
論文 参考訳（メタデータ） (2025-05-08T09:29:05Z) - Federated Learning for Diffusion Models [12.46092849473786]
拡散モデルは、様々なタスクに対して非常に現実的なサンプルを生成することができる強力な生成モデルである。
拡散確率モデルを用いたFedDDPM-Federated Learningを提案する。
本稿では、FedDDPMの厳密な収束解析を行い、トレーニングオーバーヘッドを低減するための強化アルゴリズムであるFedDDPM+を提案する。
論文 参考訳（メタデータ） (2025-03-09T03:41:10Z) - PH-VAE: A Polynomial Hierarchical Variational Autoencoder Towards Disentangled Representation Learning [5.478519374490149]
Diveral Autoencoder (VAE) は、様々な種類のデータの複雑な確率分布をモデル化するための、シンプルで効率的な生成人工知能手法である。
階層型変動オートエンコーダ (PH-VAE) を開発した。
また,KL(Kulback-Leibler)の変分を置き換えたり一般化したりするために,変分損失関数の多項偏差を新たに提案した。
論文 参考訳（メタデータ） (2025-02-05T03:25:32Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳（メタデータ） (2021-02-09T20:28:35Z)
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。