論文の概要: Machine Learning-Augmented Acceleration of Iterative Ptychographic Reconstruction

• arxiv url: http://arxiv.org/abs/2605.01122v1
• Date: Fri, 01 May 2026 21:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.593455
• Title: Machine Learning-Augmented Acceleration of Iterative Ptychographic Reconstruction
• Title（参考訳）: 反復画像再構成の機械学習による高速化
• Abstract要約: 反復画像再構成アルゴリズムはコヒーレント・ディファレント・ディファレント・イメージングに広く用いられている。 本稿では, 反復的画像再構成を高速化する機械学習によるアプローチを提案する。
• 参考スコア（独自算出の注目度）: 56.83110460392765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Iterative ptychographic reconstruction algorithms are widely used for coherent diffractive imaging but can exhibit slow convergence under realistic experimental conditions. We propose a machine learning-augmented approach that accelerates iterative ptychographic reconstruction by introducing a learned fast-forward operator applied during reconstruction. Following an initial warm-up using standard iterations, the fast-forward operator advances the reconstruction toward a more converged state, after which conventional iterative updates are resumed. This strategy preserves the physical consistency and flexibility of established ptychographic solvers while reducing the number of iterations required for convergence. The model is trained on diverse ptychographic datasets and evaluated on experimental data acquired in a different year, demonstrating robustness and temporal generalization. Compared with conventional iterative solvers, the machine learning-augmented method achieves comparable reconstruction quality while converging faster in terms of Poisson negative log-likelihood, yielding over a two-fold reduction in wall-clock time. The approach has been integrated into an existing reconstruction pipeline and deployed in production at a synchrotron beamline, demonstrating practicality for real-time experimental operation.
• Abstract（参考訳）: 反復画像再構成アルゴリズムはコヒーレント回折画像に広く用いられているが、現実的な実験条件下では緩やかな収束を示すことがある。 本稿では, 再現中に適用された学習高速フォワード演算子を導入することにより, 反復的文字盤再構成を高速化する機械学習拡張手法を提案する。 標準繰り返しを使用した初期ウォームアップの後、高速フォワード演算子は、より収束した状態へ再構成を進め、その後、従来の反復更新を再開する。 この戦略は、収束に必要なイテレーション数を減らしながら、確立されたポチコグラフィーソルバの物理的整合性と柔軟性を保っている。 モデルは多種多様なポティコグラフィーデータセットに基づいて訓練され、異なる年に得られた実験データに基づいて評価され、堅牢性と時間的一般化を示す。 従来の反復解法と比較して, 機械学習拡張法はポアソン負の対数類似度でより高速に収束し, 壁面時間を2倍に短縮する。 このアプローチは既存の再構築パイプラインに統合され、シンクロトロンビームラインで運用され、リアルタイムな実験運用の実践性を実証している。

関連論文リスト

• Zero-Shot Cross-Material Ptychographic Phase Reconstruction Using Deep Learning [8.392466989483722]
  本研究では,実測値から全フィールド位相マップを再構成し,推論中に反復的洗練を伴わない直接局所言語学習フレームワークを提案する。 提案するネットワークは,Sine-Cosine表現を用いて,個々の回折パターンから局所的なラップフェーズパッチを予測する。
  論文  参考訳（メタデータ） (2026-09-12T14:36:06Z)
• EvTrajGS: Accurate and Efficient 3D Gaussian Splatting from Unposed Event Streams [108.45551580182384]
  EvTrajGSは、未提示のイベントストリームのための正確で効率的な3Dガウススプレイティングフレームワークである。 提案手法は,高コストのSLAM型パイプラインを不要にすることで,粗いポーズ前から確実な継手ポーズシーンの最適化を可能にする。
  論文  参考訳（メタデータ） (2026-08-09T09:00:30Z)
• Accelerating Hierarchical Sparse Predictive Coding with Hybrid Amortized Inference [0.0]
  また,LISTA型イニシャライザーと短い修正再発は,長時間の反復推論よりもはるかに高速でありながら,純粋なアモート化よりも改善することを示した。 以上の結果より,LISTA型イニシャライザーと短い補正再発は,長期反復推論よりもはるかに高速でありながら,純粋な償却よりも改善することが示唆された。
  論文  参考訳（メタデータ） (2026-06-26T07:38:55Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Circular Phase Representation and Geometry-Aware Optimization for Ptychographic Image Reconstruction [6.504427780020361]
  正弦波成分と正弦波成分を用いて単位円上の位相をモデル化する。 位相誤差は、分岐切断の不連続を回避する、微分可能な測地損失で最適化される。 合成および実験データセットの実験では、既存の深層学習法よりも振幅と位相再構成が一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-04-29T13:27:05Z)
• Weakly Convex Ridge Regularization for 3D Non-Cartesian MRI Reconstruction [2.81822896919646]
  我々は回転不変な弱凸リッジ正規化器(WCRR)を訓練する。 提案手法は,GoLF SPARKling と CAIPIRINHA の買収について,再現的シミュレーションデータと (分布外) の美術手法の状態を比較検討した。 当社のアプローチは,広く使用されているベースラインを一貫して上回り,3D DRUNetデノイザの状態を伴ってPlugとPlayの再構築に匹敵するパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-28T06:48:06Z)
• Improving Temporal Consistency and Fidelity at Inference-time in Perceptual Video Restoration by Zero-shot Image-based Diffusion Models [5.61537470581101]
  ゼロショット画像ベース拡散モデルを用いたビデオ再生における時間的コヒーレンス向上の課題に対処する。 本稿では,PSG(Perceptual Straightening Guidance)とMPES(Ensemble Sampling)の2つの補完的推論時間戦略を提案する。
  論文  参考訳（メタデータ） (2025-10-29T11:40:06Z)
• Fast Training of Recurrent Neural Networks with Stationary State Feedbacks [48.22082789438538]
  リカレントニューラルネットワーク(RNN)は最近、Transformerよりも強力なパフォーマンスと高速な推論を実証している。 BPTTを固定勾配フィードバック機構で置き換える新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-29T14:45:52Z)
• ReDi: Efficient Learning-Free Diffusion Inference via Trajectory Retrieval [68.7008281316644]
  ReDiは学習不要なRetrievalベースの拡散サンプリングフレームワークである。 ReDi はモデル推論効率を 2 倍高速化することを示した。
  論文  参考訳（メタデータ） (2023-02-05T03:01:28Z)
• Making Reconstruction-based Method Great Again for Video Anomaly Detection [64.19326819088563]
  ビデオの異常検出は重要な問題だが、難しい問題だ。 既存の再構成に基づく手法は、昔ながらの畳み込みオートエンコーダに依存している。 連続フレーム再構築のための新しいオートエンコーダモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-28T01:57:57Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• End-to-end reconstruction meets data-driven regularization for inverse problems [2.800608984818919]
  本稿では,不適切な逆問題に対するエンド・ツー・エンドの再構成演算子を学習するための教師なしアプローチを提案する。 提案手法は,古典的変分フレームワークと反復的アンローリングを組み合わせたものである。 我々は,X線CT(Computerd tomography)の例で,最先端の教師なし手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-07T12:05:06Z)
• Age-Based Coded Computation for Bias Reduction in Distributed Learning [57.9123881133818]
  コード計算は、分散学習の高速化に使用することができる。 勾配ベクトルの部分回復は、各反復時の計算時間をさらに短縮することができる。 重なり合う行動が時間とともに相関すると、推定バイアスが特に顕著になる。
  論文  参考訳（メタデータ） (2020-06-02T17:51:11Z)

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。