論文の概要: Multi-Level-Set-Based Physics-Driven Neural Network to Solve 3-D Inverse Scattering Problems
- arxiv url: http://arxiv.org/abs/2609.08594v1
- Date: Tue, 08 Sep 2026 11:30:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.637124
- Title: Multi-Level-Set-Based Physics-Driven Neural Network to Solve 3-D Inverse Scattering Problems
- Title（参考訳）: 3次元逆散乱問題の解法のためのマルチレベル・セット型物理駆動ニューラルネットワーク
- Abstract要約: 本稿では3次元電磁逆散乱のためのレベルセット型物理駆動型ニューラルネットワークソルバ(LSPDNN)を提案する。
LSPDNNは, 明確な境界, より均一な材料領域, 背景アーティファクトを著しく低減した散乱体を再構成できることが, 数値的および実験的に証明された。
- 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: This paper proposes a level-set-based physics-driven neural network solver (LSPDNN) for 3-D electromagnetic inverse scattering. To mitigate boundary blurring and reconstruction artifacts in voxel-wise contrast reconstruction, the proposed solver exploits the piecewise homogeneity of practical scatterers by representing unknown targets with multiple coordinate-dependent neural level-set components. Specifically, a soft-union multi-material model is proposed to separately describe the object support and material distribution. The global support is formed by the union of multiple level-set components, while the local contrast is determined by normalized component weights and learnable complex permittivity candidates. In addition, a model-consistent total variation (TV) regularization is imposed on the material-region indicators, rather than directly on the reconstructed contrast, to suppress fragmented material assignments without excessively smoothing material interfaces. An adaptive loss balancing strategy is further introduced to reduce the dependence on manually selected regularization weights. For each measurement instance, the neural level-set parameters and material candidates are optimized by minimizing a physics-consistent objective function. Numerical and experimental results demonstrate that LSPDNN can reconstruct scatterers with clear boundaries, more uniform material regions, and substantially reduced background artifacts. The results highlight the advantage of the neural level-set parameterization in challenging 3-D inverse scattering cases involving irregular shapes, closely spaced objects, multiple materials, and measurement noise.
- Abstract（参考訳）: 本稿では3次元電磁逆散乱のためのレベルセット型物理駆動型ニューラルネットワークソルバ(LSPDNN)を提案する。
ボクセルのコントラスト再構成における境界のぼやけや復元を緩和するため, 提案手法は, 未知のターゲットを複数の座標依存型ニューラルネットワークレベルセット成分で表現することにより, 実用的な散乱器の断片的均一性を生かした。
具体的には,物体支持と物質分布を別々に記述するために,ソフト・ユニオン多材料モデルを提案する。
グローバルサポートは複数のレベルセットコンポーネントの結合によって形成され、局所コントラストは正規化コンポーネント重みと学習可能な複素誘電率候補によって決定される。
また, 材料界面を過度に平滑化させることなく, 断片化を抑えるために, モデル一貫性全変(TV)正則化を, コントラストの直接ではなく, 材料領域の指標に課する。
さらに適応的損失分散戦略を導入し、手動で選択した正規化重みへの依存を減らす。
各測定インスタンスに対して、物理一貫性の目的関数を最小化することにより、ニューラルネットワークレベルセットパラメータと材料候補を最適化する。
LSPDNNは, 明確な境界, より均一な材料領域, 背景アーティファクトを著しく低減した散乱体を再構成できることが, 数値的および実験的に証明された。
その結果、不規則な形状、密接な空間を持つ物体、複数の材料、測定ノイズを含む3次元逆散乱事件における神経レベルセットパラメータ化の利点が浮き彫りになった。
関連論文リスト
- Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。
線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。
このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
論文 参考訳（メタデータ） (2026-06-09T14:20:39Z) - ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。
ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。
Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
論文 参考訳（メタデータ） (2026-02-10T20:44:43Z) - Breaking Semantic Hegemony: Decoupling Principal and Residual Subspaces for Generalized OOD Detection [10.596067236901968]
最先端(SOTA)モデルにおける単純度パラドックスについて検討する。
モデルは、意味的に微妙なOODサンプルを区別する上で、鋭い感度を示すが、厳密な幾何学的盲点に苦しむ。
そこで我々は,D-KNNを提案する。
論文 参考訳（メタデータ） (2026-02-05T06:32:33Z) - Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。
適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。
我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2025-11-23T14:47:24Z) - 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) - MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images [20.219010684946888]
MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。
本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
論文 参考訳（メタデータ） (2025-07-07T08:22:32Z) - Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。
2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。
本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
論文 参考訳（メタデータ） (2024-10-27T23:06:29Z) - MS-PS: A Multi-Scale Network for Photometric Stereo With a New
Comprehensive Training Dataset [0.0]
光度ステレオ(PS)問題は、物体の3次元表面を再構成することである。
そこで我々は,PSのマルチスケールアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-25T14:01:54Z) - Multi-View Photometric Stereo Revisited [100.97116470055273]
多視点測光ステレオ(MVPS)は、画像から被写体を詳細に正確に3D取得する方法として好まれる。
MVPSは異方性や光沢などの他の対象物質と同様に,等方性に対しても有効である。
提案手法は、複数のベンチマークデータセットで広範囲にテストした場合に、最先端の結果を示す。
論文 参考訳（メタデータ） (2022-10-14T09:46:15Z) - Parametric Level-sets Enhanced To Improve Reconstruction (PaLEnTIR) [0.0]
本稿では,PaLEnTIR(PalenTIR)について紹介する。
キーとなるコントリビューションは、単一のレベルセット関数を利用して、複数コントラストのピースワイズ・コンスタントなオブジェクトを含むシーンを復元する独自の PaLS の定式化である。
論文 参考訳（メタデータ） (2022-04-21T00:03:44Z) - RRNet: Relational Reasoning Network with Parallel Multi-scale Attention
for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。
光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。
提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文 参考訳（メタデータ） (2021-10-27T07:18:32Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z)
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。