論文の概要: Coordinate-Residual Physics-Driven Neural Network for Electromagnetic Inverse Scattering
- arxiv url: http://arxiv.org/abs/2608.09382v1
- Date: Mon, 10 Aug 2026 09:57:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.203113
- Title: Coordinate-Residual Physics-Driven Neural Network for Electromagnetic Inverse Scattering
- Title（参考訳）: 電磁逆散乱のための座標残差物理駆動ニューラルネットワーク
- Abstract要約: 3次元電磁逆散乱のための座標-残留物理駆動型ニューラルネットワーク (CRPDNN) を提案する。
CRPDNNの平均相対誤差は2.10%であり、CSIは7.97%、L_2/3$-FBE-WCIEは3.99%である。
- 参考スコア（独自算出の注目度）: 8.620366797105282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electromagnetic inverse scattering is a nonlinear and ill-posed problem, where accurate reconstruction is challenging due to measurement limitations, noise, and high computational costs, especially for 3-D imaging. Although physics-driven neural networks (PDNNs) reduce the dependence on labeled training data, existing accelerated PDNN frameworks often rely on preliminary reconstruction-based region selection, which may introduce instability when the selected region is inaccurate. In this paper, a coordinate-residual physics-driven neural network (CRPDNN) is proposed for 3-D electromagnetic inverse scattering. The proposed solver directly reconstructs the unknown contrast distribution using normalized spatial coordinates and a residual convolutional network, without requiring a preliminary reconstruction. For the reported noise-free 3-D synthetic cases, CRPDNN achieves an average relative error of 2.10\%, compared with 7.97\% for CSI and 3.99\% for $L_{2/3}$-FBE-WCIE, while providing approximately 5.5- and 12.1-fold speedups over the two baselines, respectively. Supplementary 2-D comparisons further confirm its stability and computational efficiency relative to existing PDNN frameworks. CRPDNN also maintains reliable reconstruction performance under noisy measurements, and the 3-D Fresnel experiments further indicate its potential for practical imaging applications. The related code is available at https://github.com/Physics-driven-methods.
- Abstract（参考訳）: 電磁逆散乱は非線形で不規則な問題であり、特に3次元イメージングにおいて測定限界、ノイズ、高計算コストのために正確な再構成が困難である。
物理駆動ニューラルネットワーク(PDNN)はラベル付きトレーニングデータへの依存を減らすが、既存の加速PDNNフレームワークは予備的な再構成ベースの領域選択に依存しており、選択された領域が不正確な場合に不安定を引き起こす可能性がある。
本稿では,3次元電磁逆散乱に対して,座標-残留物理駆動型ニューラルネットワーク(CRPDNN)を提案する。
提案手法は,正規化空間座標と残差畳み込みネットワークを用いて未知のコントラスト分布を直接再構成する。
報告されたノイズフリー3D合成ケースでは、CRPDNNはCSIが7.97\%、$L_{2/3}$-FBE-WCIEが3.99\%、それぞれ5.5倍と12.1倍という平均相対誤差を達成している。
補助的な2次元比較は、既存のPDNNフレームワークと比較して安定性と計算効率をさらに確認する。
CRPDNNはノイズ測定下での信頼性の高い再構成性能も維持しており、3次元フレネル実験は実用的なイメージング応用の可能性をさらに示している。
関連コードはhttps://github.com/Physics-driven-methodsで公開されている。
関連論文リスト
- 3D Magnetic Field Reconstruction and Mapping with Physics-Informed Neural Networks [11.823793229327954]
本研究では,高精度3次元磁界マッピングのための高度な物理情報ニューラルネットワークフレームワークを提案する。
提案したPINNは、マクスウェル方程式を直接損失関数に統合し、分散自由条件とカール自由条件を強制する。
シミュレーションデータによる検証は,既存のPINNベンチマークの10倍の10～4ドルの再現精度を実現する。
論文 参考訳（メタデータ） (2026-05-25T09:42:27Z) - Contrast-Source-Based Physics-Driven Neural Network for Inverse Scattering Problems [11.311936472660333]
本稿では,逆散乱問題に対するコントラストソースに基づく物理駆動ニューラルネットワーク(CSPDNN)を提案する。
CSPDNNは、誘導電流分布を予測して効率を向上し、ロバストな再構築のために適応的な総変分損失を組み込む。
改良された撮像性能は、総合的な数値シミュレーションと実験データによって検証される。
論文 参考訳（メタデータ） (2026-01-27T06:27:56Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。
複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。
変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
論文 参考訳（メタデータ） (2024-12-05T09:41:33Z) - 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。
本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。
提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
論文 参考訳（メタデータ） (2024-11-01T12:50:38Z) - Scalable Non-Cartesian Magnetic Resonance Imaging with R2D2 [6.728969294264806]
本研究では,非電子磁気共鳴画像再構成のための新しい手法を提案する。
我々は「Residual to-Residual DNN series for high range imaging (R2D2)」を利用する。
論文 参考訳（メタデータ） (2024-03-26T17:45:06Z) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳（メタデータ） (2023-03-22T18:59:48Z) - Physics-informed neural networks for gravity currents reconstruction
from limited data [0.0]
本研究では, 物理インフォームドニューラルネットワーク(PINN)を用いた非定常重力電流の3次元再構成について検討した。
PINNコンテキストでは、目的関数がネットワーク予測と観測データとのミスマッチをペナルティ化するニューラルネットワークをトレーニングすることにより、フローフィールドを再構築する。
論文 参考訳（メタデータ） (2022-11-03T11:27:29Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Real-time 3D Nanoscale Coherent Imaging via Physics-aware Deep Learning [0.7664249650622356]
深層畳み込みニューラルネットワークと微分プログラミングフレームワークである3D-CDI-NNを導入し,3次元構造とひずみを予測する。
私たちのネットワークは、複数の面で「物理認識」するように設計されています。
我々の統合機械学習および微分プログラミングソリューションは、他のアプリケーション領域における逆問題に広く適用できます。
論文 参考訳（メタデータ） (2020-06-16T18:35:32Z)
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。