論文の概要: AI-interpreted Optical Scattering for Robust and Focal Depth-Aware Imaging

• arxiv url: http://arxiv.org/abs/2607.22867v1
• Date: Fri, 24 Jul 2026 19:14:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.914428
• Title: AI-interpreted Optical Scattering for Robust and Focal Depth-Aware Imaging
• Title（参考訳）: ロバスト・フーカル深度イメージングのためのAIによる光散乱
• Abstract要約: 本研究は, 画像再構成作業において, 光散乱が有効である2症例について検討する。 散乱は、情報を効果的に分散することにより、空間的損失に対するデータの堅牢性を高めることができる。 また,散乱が焦点深度情報の識別を可能にすることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical scattering has conventionally been regarded as an impediment in imaging research due to the degradation of image quality during reconstruction. Nevertheless, this study explores two cases in which optical scattering may serve a beneficial role in image reconstruction tasks. We compared the No Scattering MNIST dataset with three Scattering MNIST datasets, each generated under distinct scattering conditions. To assess the information content of the resulting speckle patterns, we employed a Variational Autoencoder (VAE) approach which achieves accuracy comparable to state-of-the-art deep learning approaches, but has an interpretable latent space. We find that scattering can enhance data robustness against spatial pixel loss by effectively distributing information. We also demonstrate that scattering can enable distinctions of focal depth information. We anticipate that these findings will contribute to more efficient imaging techniques, particularly in the presence of obstacles and three-dimensional signals.
• Abstract（参考訳）: 従来,光散乱は画像再構成時の画質劣化による画像研究の障害と見なされてきた。 しかし, 画像再構成作業において光散乱が有用である2症例について検討した。 我々は,No Scattering MNISTデータセットを3つのScattering MNISTデータセットと比較した。 得られたスペックルパターンの情報内容を評価するため,我々は,最先端のディープラーニング手法に匹敵する精度を実現する変分オートエンコーダ(VAE)アプローチを採用したが,解釈可能な潜在空間を有する。 散乱は、情報を効果的に分散することにより、空間的ピクセル損失に対するデータの堅牢性を高めることができる。 また,散乱が焦点深度情報の識別を可能にすることを示す。 これらの知見は,特に障害物や3次元信号の存在下で,より効率的なイメージング技術に寄与することが期待できる。

関連論文リスト

• Optical diffraction neural networks assisted computational ghost imaging through dynamic scattering media [9.888680721720114]
  ゴーストイメージングは、空間分解能のない1ピクセル検出器を利用して、オブジェクトエコー強度信号を取得する。 この構造は本質的に物体と検出器の間の散乱干渉を緩和するが、光源と物体の間の散乱に敏感である。 動的散乱媒体を用いたゴーストイメージングのための光回折ニューラルネットワーク(ODNN)を提案する。
  論文  参考訳（メタデータ） (2025-11-28T06:34:47Z)
• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Beyond the Visible: Jointly Attending to Spectral and Spatial Dimensions with HSI-Diffusion for the FINCH Spacecraft [2.5057561650768814]
  FINCHミッションは、農地の作物の残留物を監視することを目的としている。 ハイパースペクトルイメージングは、スペクトル情報と空間情報の両方をキャプチャする。 ランダムノイズ、ストライプノイズ、デッドピクセルなど、様々な種類のノイズが生じる傾向がある。
  論文  参考訳（メタデータ） (2024-06-15T19:34:18Z)
• StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
  本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。 まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。 第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T02:27:58Z)
• Leveraging Neural Radiance Fields for Uncertainty-Aware Visual Localization [56.95046107046027]
  我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。 レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
  論文  参考訳（メタデータ） (2023-10-10T20:11:13Z)
• Reference-Free Isotropic 3D EM Reconstruction using Diffusion Models [8.590026259176806]
  本稿では、参照データや劣化過程に関する事前知識の制限を克服する拡散モデルに基づくフレームワークを提案する。 提案手法では, 2次元拡散モデルを用いて連続的に3次元ボリュームを再構成し, 高精度なサンプルデータに適している。
  論文  参考訳（メタデータ） (2023-08-03T07:57:02Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Improvement of image classification by multiple optical scattering [8.210817257130788]
  我々はLCDとRGBレーザー源に基づく光ランダム散乱システムを構築した。 画像分類はランダム散乱の助けを借りて改善できることがわかった。 コンピュータ上に展開した尾根分類と合わせて,94%以上の優れた分類精度を実現した。
  論文  参考訳（メタデータ） (2021-07-12T04:12:41Z)
• Unsupervised Missing Cone Deep Learning in Optical Diffraction Tomography [25.18730153421617]
  本稿では,最適なトランスポート駆動型サイクガンによる投影ビューの確率分布を学習する,教師なし深層学習フレームワークを提案する。 実験結果から, 提案手法により, ODT中のコーンアーティファクトの欠落が有意に解決できることが示された。
  論文  参考訳（メタデータ） (2021-03-16T12:41:33Z)
• Correlation Plenoptic Imaging between Arbitrary Planes [52.77024349608834]
  提案プロトコルは,処理後の集中面の変更を可能にし,画像解像度と被写界深度を前例のない組み合わせで実現可能であることを示す。 その結果、カオス光に基づく相関レンズ画像装置のコンパクト化や、絡み合った光子照明に基づく高SNRレンズ画像装置の開発への道が開かれた。
  論文  参考訳（メタデータ） (2020-07-23T14:26:14Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。