論文の概要: An Electric Potential-Augmented Benchmark Dataset for Physics-Guided Image Reconstruction of Electrical Capacitance Tomography

• arxiv url: http://arxiv.org/abs/2606.12226v1
• Date: Wed, 10 Jun 2026 15:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.53491
• Title: An Electric Potential-Augmented Benchmark Dataset for Physics-Guided Image Reconstruction of Electrical Capacitance Tomography
• Title（参考訳）: 電気容量トモグラフィの物理誘導画像再構成のための電位拡張ベンチマークデータセット
• Authors: Xinqi Zhang, Qiming Ma, Lihui Peng,
• Abstract要約: 我々は、ECTの背後にある潜在物理学を明示的に統合する、電位拡張ECTベンチマークデータセットを提案する。 データセットは4つの典型的なフローパターンにわたる2万のランダム化されたサンプルで構成されている。 本稿では, ポテンシャルマップを組み込むことによって, モデリング精度とロバスト性の向上を実証する。
• 参考スコア（独自算出の注目度）: 2.8964660061423166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While deep learning has significantly advanced image reconstruction of Electrical Capacitance Tomography (ECT), most data-driven methods map directly between capacitance and permittivity distribution, treating the sensor as a black box. This overlooks the electric potential field -- the fundamental physical link governing the nonlinear and ill-posed ``soft-field'' effect. To address this, we propose an electric potential-augmented ECT benchmark dataset designed to explicitly integrate latent physics behind ECT into the learning process. Generated via a COMSOL-MATLAB pipeline for an eight-electrode sensor as an example, the dataset comprises 20,000 randomized samples across four typical flow patterns. Crucially, alongside the conventional capacitance vectors and permittivity distributions depicted as images, each sample preserves eight excitation-wise full-field potential maps. Beyond data release, we provide illustrative evaluation protocols for both forward and inverse problems of ECT. Through comprehensive testing on both in-distribution (IID) and out-of-distribution (OOD) scenarios, we systematically demonstrate how the inclusion of electric potential maps enhances modeling accuracy and robustness. Fundamentally, the explicit inclusion of latent field information significantly lowers the barrier to integrating physical laws into ECT modeling, thereby establishing a standardized foundation for future physics-guided machine learning of ECT image reconstruction.
• Abstract（参考訳）: 深層学習はElectronic Capacitance Tomography(ECT)の画像再構成を著しく進歩させたが、ほとんどのデータ駆動方式は容量分布と誘電率分布を直接マッピングし、センサーをブラックボックスとして扱う。 これはポテンシャル場、つまり非線形で不適切な「ソフトフィールド」効果を支配する基本的な物理リンクを見落としている。 そこで本研究では,ECTの背後にある潜伏物理を学習プロセスに明示的に統合する電子ポテンシャル増強ECTベンチマークデータセットを提案する。 例として、8電極センサー用のCOMSOL-MATLABパイプラインを通じて生成されたデータセットは、4つの典型的なフローパターンにわたる2万のランダム化サンプルで構成されている。 重要なことに、従来のキャパシタンスベクトルとイメージとして表現された誘電率分布とともに、各サンプルは8つの励起ワイドフルフィールドポテンシャル写像を保持する。 データリリース以外にも、ECTの前方問題と逆問題の両方に対して、実証的な評価プロトコルを提供しています。 In-distriion (IID) と Out-of-distriion (OOD) の両方のシナリオの総合的なテストを通じて、ポテンシャルマップの包含がモデル精度とロバスト性をいかに促進するかを体系的に示す。 基本的に、潜在フィールド情報の明示的な含意は、物理法則をECTモデリングに統合する障壁を大幅に減らし、将来の物理誘導機械学習におけるECT画像再構成の標準化基盤を確立する。

関連論文リスト

• Interaction Field Matching: Overcoming Limitations of Electrostatic Models [85.87349969357068]
  静電場整合(EFM)は、近年、電気コンデンサのアイデアを用いて、データ生成と転送のための物理に着想を得たパラダイムとして登場した。 我々は、静電気以外の一般的な相互作用場を利用できるEMFの一般化であるInteraction Field Matching (IFM)を提案する。 一連の玩具および画像データ転送問題に対して,その性能を示す。
  論文  参考訳（メタデータ） (2025-06-03T14:45:14Z)
• Field Matching: an Electrostatic Paradigm to Generate and Transfer Data [85.96146230529264]
  本稿では,生成的モデリングと分散伝達タスクのための新しい手法を提案する。 私たちのアプローチは、電気コンデンサの物理学にインスパイアされています。 実際に,おもちゃおよび画像データ実験におけるEMFの性能を実演する。
  論文  参考訳（メタデータ） (2025-02-04T14:50:16Z)
• A Conditional Diffusion Model for Electrical Impedance Tomography Image Reconstruction [3.2814751789071273]
  電気インピーダンストモグラフィ(EIT)は、組織や材料の電気伝導度のイメージを再構成する非侵襲的イメージング技術である。 アンダーサンプル電圧データと高分解能伝導率画像とのミスマッチにより、EIT画像再構成が悪くなる。 CDEITと呼ばれるEIT再構成のための条件拡散モデルに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-22T11:43:00Z)
• Variational Potential Flow: A Novel Probabilistic Framework for Energy-Based Generative Modelling [10.926841288976684]
  エネルギーをベースとした新しい生成フレームワークVAPOについて述べる。 VAPOは、勾配(流れ)が前のサンプルを導くポテンシャルエネルギー関数を学習することを目的としており、その密度の進化は近似的なデータ準同相性に従う。 イメージはポテンシャルエネルギーをトレーニングした後、ガウスのサンプルを初期化し、固定時間間隔で電位フローを管理するODEを解くことで生成することができる。
  論文  参考訳（メタデータ） (2024-07-21T18:08:12Z)
• End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
  本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-01T16:20:59Z)
• Dielectric Tensor Prediction for Inorganic Materials Using Latent Information from Preferred Potential [2.6531366443213846]
  誘電体はフラッシュメモリ、CPU、太陽光発電、コンデンサといった技術にとって不可欠である。 既存の機械学習モデルはスカラー多結晶誘電率の予測に重点を置いている。 我々は,全,電子,イオン誘電体テンソルを予測する同変読み出しデコーダを開発した。
  論文  参考訳（メタデータ） (2024-05-15T02:58:19Z)
• CGAN-ECT: Tomography Image Reconstruction from Electrical Capacitance Measurements Using CGANs [0.0]
  本稿では,コンディショナル・ジェネレーティブ・アドバイザリアル・ネットワーク(CGAN)モデルを提案する。 CGAN-ECTは99.3%以上の平均画像相関係数を達成し、平均相対画像誤差は0.07である。
  論文  参考訳（メタデータ） (2022-09-07T13:08:38Z)
• Learning Generative Vision Transformer with Energy-Based Latent Space for Saliency Prediction [51.80191416661064]
  本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。 ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。 生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
  論文  参考訳（メタデータ） (2021-12-27T06:04:33Z)

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。