論文の概要: Measurement-Adapted Eigentask Representations for Photon-Limited Optical Readout
- arxiv url: http://arxiv.org/abs/2605.10008v1
- Date: Mon, 11 May 2026 05:35:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.547862
- Title: Measurement-Adapted Eigentask Representations for Photon-Limited Optical Readout
- Title（参考訳）: 光子制限光読み出しのための計測適応固有タスク表現法
- Authors: Tianyang Chen, Mandar M. Sohoni, Saeed A. Khan, Jérémie Laydevant, Shi-Yuan Ma, Tianyu Wang, Peter L. McMahon, Hakan E. Türeci,
- Abstract要約: 下流の推測は、分類や意思決定の前にノイズの多い高次元センサーの測定がどのように表現されるかに依存する。
固有タスクは、ノイズ下での可解性に応じて読み出し特徴を順序付けすることで、光学センサ出力の計測適応表現を提供することを示す。
- 参考スコア（独自算出の注目度）: 7.173241044998128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optical readout in low-light imaging is fundamentally limited by measurement noise, including photon shot noise, detector noise, and quantization error. In this regime, downstream inference depends not only on the optical front end, but also on how noisy high-dimensional sensor measurements are represented before classification or decision-making. Here we show that eigentasks provide a measurement-adapted representation for optical sensor outputs by ordering readout features according to their resolvability under noise. Using experimental data from a lens-based optical imaging system and a reanalysis of published data from a single-photon-detection neural network, we find that eigentask representations frequently outperform standard baselines including principal component analysis and filtering-based compression. The advantage is most pronounced in photon-limited, few-shot, and higher-difficulty classification regimes. In few-shot MPEG-7 classification, for example, the advantage over other methods reaches about 10 percentage points as the number of classes increases. In these settings, eigentasks yield more informative low-dimensional features and improve sample-efficient downstream learning. These results identify measurement-adapted representation as a promising strategy for optical inference when photon budget, acquisition time, and task complexity are constrained.
- Abstract（参考訳）: 低照度画像における光の読み出しは、光子ショットノイズ、検出器ノイズ、量子化誤差などの測定ノイズによって基本的に制限されている。
この体制では、下流の推論は光学的フロントエンドだけでなく、分類や意思決定の前にいかにノイズの多い高次元センサ計測が表現されるかにも依存する。
ここでは、固有タスクが、ノイズ下での可解性に応じて読み出し特徴を順序付けすることで、光学センサ出力の計測適応表現を提供することを示す。
レンズベースの光学画像システムによる実験データと単光子検出ニューラルネットワークによる公開データの再解析を用いて、固有タスク表現は主成分分析やフィルタリングに基づく圧縮を含む標準ベースラインを頻繁に上回ることを示した。
この利点は、光子制限、少数ショット、高拡散度分類において最も顕著である。
例えば、少数ショットのMPEG-7分類では、クラス数が増加するにつれて、他の手法に対する優位性は約10パーセントに達する。
これらの設定では、固有タスクはより情報的な低次元の特徴をもたらし、サンプル効率の低い下流学習を改善する。
これらの結果は、光子予算、取得時間、タスクの複雑さが制約された場合、計測適応表現を光推測のための有望な戦略とみなす。
関連論文リスト
- Passive Imaging with Quantum Advantage [40.27113751459193]
検出前に入射光を光学的に前処理することで、このノイズの影響を低減できる手法を提案し、実装する。
フーリエ領域分割(FDD)と呼ばれるこの手法は、フーリエ平面を複数の領域に分割し、独立検出および画像再構成のための後処理を行う。
我々は,この手法を顕微鏡で実証し,高空間周波数成分上でのフィッシャー情報の5倍の精度向上を実現した。
論文 参考訳（メタデータ） (2026-05-07T10:06:49Z) - Quantum Compressed Sensing Enables Image Classification with a Single Photon [2.5112823693334163]
量子圧縮センシングを用いた光子レベルの画像分類法を開発した。
光量子重ね合わせ状態の並列性を利用して、高次元画像の完全な空間情報を単一の光子を符号化することができる。
極端光子予算と厳しい環境の下で機能するインテリジェントセンシングシステムの基礎を提供する。
論文 参考訳（メタデータ） (2026-04-28T10:33:20Z) - Grayscale to Hyperspectral at Any Resolution Using a Phase-Only Lens [0.0]
我々は、HxWグレースケールのスナップショット測定から、HxWx31ハイパースペクトル像を再構成する問題について検討する。
我々は,小さなパッチで動作する条件付き偏差拡散モデルを訓練することにより,限られたデータの利用を効率的に行う。
実験の結果,パッチサイズはPSFほど小さく,良好な結果が得られた。
論文 参考訳（メタデータ） (2024-12-03T20:00:21Z) - Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。
既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。
本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文 参考訳（メタデータ） (2024-09-21T04:39:45Z) - Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - A photosensor employing data-driven binning for ultrafast image
recognition [0.0]
ピクセルビンニング(Pixel binning)は、光学画像の取得と分光において広く用いられる技術である。
ここでは、センサー要素の大部分を1つのスーパーピクセルに組み合わせることで、バイナリの概念を限界まで押し上げる。
与えられたパターン認識タスクに対しては、機械学習アルゴリズムを用いてトレーニングデータから最適な形状を決定する。
論文 参考訳（メタデータ） (2021-11-20T15:38:39Z) - Light Lies: Optical Adversarial Attack [24.831391763610046]
本稿では, 画像センサに到達した光界情報を物理的に変化させて, 分類モデルが誤分類を生じさせる光学対向攻撃を提案する。
シミュレーションと実際のハードウェア光システムの両方に基づく実験を行い,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2021-06-18T04:20:49Z) - Deep Bilateral Retinex for Low-Light Image Enhancement [96.15991198417552]
低照度画像は、低コントラスト、色歪み、測定ノイズによる視界の低下に悩まされる。
本稿では,低照度画像強調のための深層学習手法を提案する。
提案手法は最先端の手法と非常に競合し, 極めて低照度で撮影した画像の処理において, 他に比べて大きな優位性を有する。
論文 参考訳（メタデータ） (2020-07-04T06:26:44Z)
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。