論文の概要: Physics-Aligned Self-Supervised Learning for Scientific Imaging

• arxiv url: http://arxiv.org/abs/2607.28868v1
• Date: Thu, 30 Jul 2026 22:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.494766
• Title: Physics-Aligned Self-Supervised Learning for Scientific Imaging
• Title（参考訳）: 物理適応型自己監督型科学画像学習
• Abstract要約: 我々は、測定一貫性対称性と獲得駆動摂動の結合として、物理に整合した拡張集合を定式化する。 我々は,具体的な,ほとんどラベルのないワークフローを列挙し,それぞれを測定演算子によってラベル付けし,表現幾何学的診断で検証し,単要素アブレーションで確認する。 我々の実験では電子顕微鏡を用いているが、この手順はモダリティ非依存であり、医療やリモートセンシングなどの他の測定駆動領域にも適用できる。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data augmentations define the invariances learned by self-supervised learning (SSL). Standard augmentation pipelines were designed for natural images, yet scientific imaging modalities are governed by physical measurement processes with distinct symmetry and acquisition constraints. Enforcing invariances that contradict these constraints can distort learned representations and limit downstream performance, but practitioners moving from machine learning into a new scientific modality currently have little guidance beyond transferring natural-image pipelines unexamined. We address this gap with a principled, reproducible procedure for augmentation design in scientific SSL: we formalise the physics-aligned augmentation set as a union of measurement-consistent symmetries and acquisition-driven perturbations, and we give a concrete, largely label-free workflow---enumerate candidates, label each by the measurement operator, validate with representation-geometry diagnostics, and confirm by single-factor ablation---for selecting them. We instantiate the procedure for real-space electron microscopy and reciprocal-space 4D-STEM diffraction, and evaluate it across five SSL paradigms (DINOv2, SimCLR, MAE, VICRegL, I-JEPA) on classification and crystal-orientation regression. Physics-aligned augmentations substantially improve downstream performance for objectives relying on cross-view consistency, reduce geodesic error and improve robustness under realistic acquisition variability (detector gain, resolution loss), and systematically reshape representation geometry. While our experiments use electron microscopy, the procedure is modality-agnostic and applies to other measurement-driven domains such as medical and remote-sensing imaging. These results position augmentation design as a primary, and controllable, source of inductive bias in scientific self-supervised learning.
• Abstract（参考訳）: データ拡張は、自己教師付き学習(SSL)によって学習される不変性を定義する。 標準的な拡張パイプラインは自然画像のために設計されたが、科学的画像のモダリティは、異なる対称性と取得制約を持つ物理的測定プロセスによって制御される。 これらの制約に反する不変性を強制することは、学習した表現を歪ませたり、下流のパフォーマンスを制限することができるが、マシンラーニングから新しい科学的モダリティに移行する実践者は、現在、未検討の自然画像パイプラインの転送以上のガイダンスをほとんど持っていない。 我々は、このギャップを科学的SSLにおける拡張設計の原則的再現可能な手順で解決する: 測定一貫性対称性と取得駆動摂動の結合として、物理整列拡張セットを形式化し、具体的な、ほとんどラベルなしのワークフロー-列挙候補、測定演算子によるラベル付け、表現幾何学診断の検証、単要素アブレーションによる選択の確認を行う。 実空間電子顕微鏡および相互空間4D-STEM回折の手順をインスタンス化し、分類と結晶配向回帰の5つのSSLパラダイム(DINOv2, SimCLR, MAE, VICRegL, I-JEPA)で評価する。 物理アライメントの強化は、クロスビュー整合性に依存した目的の下流性能を大幅に改善し、測地誤差を低減し、現実的な取得変数(検出器ゲイン、分解損失)の下で堅牢性を改善し、表現幾何学を体系的に再構築する。 我々の実験では電子顕微鏡を用いているが、この手順はモダリティ非依存であり、医療やリモートセンシングなどの他の測定駆動領域にも適用できる。 これらの結果は、科学的自己教師型学習における誘導バイアスの源泉として、かつ制御可能な拡張設計を位置づけている。

関連論文リスト

• Physics-Driven Zero-Shot MRI Reconstruction with Non-local Image Priors [3.412182028038034]
  ZS-SSLは磁気共鳴画像(MRI)の再生に期待できるパラダイムとして登場した。 本稿では、画像領域の非局所的な先行値と物理の整合性を相乗化するための堅牢な物理駆動フレームワークを提案する。 提案手法は,特に加速係数が高い場合の最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-06-13T04:57:19Z)
• Bridging the Simulation-to-Reality Gap in Electron Microscope Calibration via VAE-EM Estimation [1.4719924357068723]
  可変オートエンコーダ(VAE)を用いた走査透過電子顕微鏡(STEM)の校正問題に取り組む。 VAEは画像の低次元表現を学習するが、既存の手法はスカラー値のみを抽出する。 次に,キャリブレーションパラメータを符号化表現と最適キャリブレーションパラメータにマッピングするモデルを,期待(EM)アプローチを用いて同時に推定する。
  論文  参考訳（メタデータ） (2026-03-17T14:15:33Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images [1.2179682412409507]
  スパース画像データから3次元対応を予測する統一モデルであるSPI-CorrNetを提案する。 LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。
  論文  参考訳（メタデータ） (2024-07-02T03:56:20Z)
• DeepSTI: Towards Tensor Reconstruction using Fewer Orientations in Susceptibility Tensor Imaging [9.79660375437555]
  感応性テンソルイメージング(英語: Susceptibility tensor imaging、STI)は、2階テンソルモデルを用いて異方性組織磁気感受性を特徴付ける新しい磁気共鳴イメージング技術である。 STIは、白質繊維経路の再構築と、ミリ分解能以下で脳のミエリン変化を検出するための情報を提供する可能性がある。 しかし、生体内でのSTIの応用は、その難易度とMR相の変化を測定するための時間を要する取得要求によって妨げられている。
  論文  参考訳（メタデータ） (2022-09-09T20:03:53Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Solving Inverse Problems in Medical Imaging with Score-Based Generative Models [87.48867245544106]
  CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である 機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。 本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T05:41:12Z)
• Learning stochastic object models from medical imaging measurements by use of advanced AmbientGANs [7.987904193401004]
  GAN(Generative Adversarial Network)は、そのようなタスクの可能性を秘めている。 GAN(Generative Adversarial Network)のような深層生成ニューラルネットワークは、そのようなタスクの可能性を秘めている。 本研究では,現代進行的・多分解能的な訓練手法に適した改良型アンビエントGANトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-27T21:46:23Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。