論文の概要: Learning-Based Reconstruction of Optical Properties in Bilayered Media from Single-distance Time-Resolved Reflectance Measurements
- arxiv url: http://arxiv.org/abs/2609.19786v1
- Date: Thu, 17 Sep 2026 06:52:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.128652
- Title: Learning-Based Reconstruction of Optical Properties in Bilayered Media from Single-distance Time-Resolved Reflectance Measurements
- Title（参考訳）: 単一距離時間分解反射率測定による2層媒体の光学特性の学習による再構成
- Abstract要約: 拡散方程式に基づく逆解法は、しばしば構造的不均一性と競合する。
本稿では,2層媒体の光学特性を再構築するための代替手法として,機械学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.629288881045104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The inverse problem of reconstructing optical properties, specifically absorption and scattering coefficients, in layered biological media from time-domain reflectance measurements remains a significant challenge for traditional analytical models. Inverse solvers based on the diffusion equation often struggle with structural heterogeneity, frequently yielding poor accuracy for superficial absorption and deep-layers scattering. In this work, we propose a machine learning framework as an alternative approach to reconstruct the optical properties of a bilayered medium, benchmarking its efficiency and accuracy against model-based algorithms. To overcome the intrinsic approximations of diffusion theory and inverse reconstruction, we generated a robust synthetic dataset of forward DTOF using exact Monte Carlo simulations at multiple source-detector distances. A machine learning pipeline was then trained on this dataset and validated against state-of-the-art model-based reconstruction methods. Besides the significant reconstruction speed-up, the machine learning approach achieves higher accuracy than model-based inverse solvers, further providing an estimate of the parameter space dimensionality without requiring any a priori information about the number of layers in the investigated geometry. Further enhancements in the reconstruction accuracy can be expected in future extensions of this work, by training the pipeline over multiple DTOF curves from the same medium, in a joint multi-distance reconstruction approach.
- Abstract（参考訳）: 時間領域反射率測定による層状生体媒体の光学特性、特に吸収と散乱係数の再構成の逆問題は、従来の分析モデルにとって重要な課題である。
拡散方程式に基づく逆解法は構造的不均一性に苦しむことが多く、表面吸収や深層散乱の精度は低い。
本研究では,2層媒体の光学特性を再構築する代替手法として機械学習フレームワークを提案し,その効率性と精度をモデルベースアルゴリズムと比較した。
拡散理論と逆再構成の本質的な近似を克服するため、複数のソース・検出器距離で正確なモンテカルロシミュレーションを用いて、フォワードDTOFの頑健な合成データセットを生成した。
その後、このデータセットに基づいて機械学習パイプラインをトレーニングし、最先端のモデルベースの再構築手法に対して検証した。
再構成の高速化に加えて、機械学習手法はモデルベースの逆解法よりも高い精度を達成し、さらに、探索された幾何学における層数に関する事前情報を必要としないパラメータ空間次元の推定を提供する。
複数DTOF曲線上のパイプラインを同一媒体からトレーニングすることにより, 今後の拡張において, 再構築精度のさらなる向上が期待できる。
関連論文リスト
- Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。
様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
論文 参考訳（メタデータ） (2026-06-27T02:56:46Z) - Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
拡散モデルは、顕著な品質で高次元データを生成する。
彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。
我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
論文 参考訳（メタデータ） (2026-05-16T16:51:10Z) - Physics-Guided Conditional Diffusion Networks for Microwave Image Reconstruction [0.6117371161379209]
電磁逆散乱問題を解くための条件付き潜伏拡散に基づく枠組みを導入する。
提案モデルでは, 散乱場データに基づいて複数の可塑性誘電率マップを生成する。
物理に基づく評価機構として、前方電磁分解器を再構成パイプラインに統合する。
論文 参考訳（メタデータ） (2025-10-29T17:34:10Z) - VIKING: Deep variational inference with stochastic projections [48.946143517489496]
変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。
パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。
これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
論文 参考訳（メタデータ） (2025-10-27T15:38:35Z) - Neutron Reflectometry by Gradient Descent [0.0]
中性子反射法(NR)は表面や界面を探査する強力な技術である。
本報告では, 有機LED多層膜素子の高複雑性化において, 厚い酸化物石英膜上での最先端性能と, 堅牢なコフィット性能を示す2つのベンチマークケーススタディを提案する。
我々は、ピソンプログラミング言語における微分可能なリフレクトロメトリカーネルのオープンソースライブラリを提供し、グラデーションベースのアプローチを他のNRデータセットに容易に適用できるようにする。
論文 参考訳（メタデータ） (2025-09-08T17:38:01Z) - ResPF: Residual Poisson Flow for Efficient and Physically Consistent Sparse-View CT Reconstruction [7.644299873269135]
スパース・ビュー・コンピュート・トモグラフィー(CT)は、放射線線量を減らすための実用的な方法であるが、結果として生じる逆問題により、正確な画像再構成に重大な課題が生じる。
生成モデリングの最近の進歩、特にポアソンフロー生成モデル(PFGM)は、高忠実度画像合成を可能にする。
本稿では, 残余ポアソンフロー(ResPF)生成モデルを提案する。
論文 参考訳（メタデータ） (2025-06-06T01:43:35Z) - SeisRDT: Latent Diffusion Model Based On Representation Learning For Seismic Data Interpolation And Reconstruction [11.530476559185878]
地理的、物理的、経済的要因などの制限のため、収集された地震データは、しばしば痕跡を欠いている。
従来の地震データ再構成手法は、多数の経験的パラメータを選択し、大規模な連続的欠落トレースを扱うのに苦労する課題に直面している。
地震データ再構成のための表現学習を利用した潜時拡散変換器を提案する。
論文 参考訳（メタデータ） (2025-03-17T10:16:35Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。
本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。
既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
論文 参考訳（メタデータ） (2024-07-25T09:53:12Z) - Ray-driven Spectral CT Reconstruction Based on Neural Base-Material Fields [10.684377265644045]
スペクトルCT再構成において、基本材料分解は積分方程式の大規模非線形系を解くことを伴う。
本稿では、ニューラルネットワーク表現を用いて物体の減衰係数をパラメータ化するモデルを提案する。
線駆動神経場に基づく線積分の軽量な離散化法を導入する。
論文 参考訳（メタデータ） (2024-04-10T13:10:52Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z)
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。