論文の概要: Computational compressive imaging reconstruction with a simulated-annealing-based Ising solver

• arxiv url: http://arxiv.org/abs/2610.19778v1
• Date: Wed, 14 Oct 2026 08:28:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.035528
• Title: Computational compressive imaging reconstruction with a simulated-annealing-based Ising solver
• Title（参考訳）: 模擬アニーリング型イジングソルバを用いた圧縮画像再構成
• Abstract要約: 本稿では,Isingモデルとして逆問題の画像化を定式化し,対象オブジェクトを直接復元する物理駆動型再構成フレームワークを提案する。 単画素画像とレンズレスディフューザカメラの両方において、1%から25%のサンプリングレートで物体を再構成して概念実証を行う。
• 参考スコア（独自算出の注目度）: 11.16657178060965
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computational compressive imaging, such as single-pixel imaging and lensless imaging, is a promising imaging technique, enabling the reconstruction of objects from under-sampled measurements through compressed sensing algorithms or deep learning methods. However, the demand for electronic computational resources grows rapidly when recovering high-resolution and multi-dimensional images and training neural networks with numerous parameters, which has become a bottleneck for the widespread adoption of this technique. Here, we propose a physics-driven reconstruction framework that formulates imaging inverse problems as Ising models and directly recovers target objects through the self-evolution of non-von Neumann Ising machines toward the ground state of the Hamiltonian. We employ a simulated-annealing-based Ising solver to demonstrate this proof-of-concept by reconstructing objects in both single-pixel imaging and a lensless diffuser camera at sampling rates ranging from 1% to 25%. By further incorporating a foreground-sparsity constraint and a smoothness constraint, the reconstruction quality of our method is comparable to or even better than that of mainstream algorithms. This approach has the potential to substantially reduce the electronic computational burden of inverse reconstruction, paving the way for real-time, low-power computational imaging.
• Abstract（参考訳）: シングルピクセルイメージングやレンズレスイメージングのような計算圧縮イメージングは、圧縮されたセンシングアルゴリズムやディープラーニング手法を通じて、アンダーサンプル計測からオブジェクトを再構築することができる、有望なイメージング技術である。 しかし,高解像度・多次元画像の復元や,多数のパラメータによるニューラルネットワークのトレーニングなどにより,電子計算資源の需要は急速に増大し,この手法の普及のボトルネックとなっている。 本稿では,Ising モデルとして逆問題の画像化を定式化し,非von Neumann Ising マシンの自己進化により対象物体を直接ハミルトニアンの基底状態へと回収する物理駆動型再構成フレームワークを提案する。 単画素画像とレンズレスディフューザカメラの両方において、1%から25%のサンプリングレートで物体を再構成して概念実証を行う。 さらに,前景の疎度制約と滑らかさ制約を組み込むことで,本手法の再現性は主流アルゴリズムと同等かそれ以上に向上する。 このアプローチは、逆再構成の電子計算負担を大幅に減らし、リアルタイム、低消費電力の計算イメージングの道を開く可能性がある。

関連論文リスト

• I2I-PR: Deep Iterative Refinement for Phase Retrieval using Image-to-Image Diffusion Models [0.0]
  Inversion by Direct Iterationと呼ばれる画像と画像の拡散フレームワークに基づく新しい位相探索手法を提案する。 本手法は, トレーニング効率と再現性の両方において, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2025-07-13T12:26:01Z)
• CryoFastAR: Fast Cryo-EM Ab Initio Reconstruction Made Easy [58.86576215228903]
  我々はCryo-EMノイズ画像から直接ポーズを予測できる最初の幾何学的基礎モデルであるCryoFastARを紹介した。 CryoFastARは、マルチビュー機能と、大規模シミュレーションされたCryo-EMデータに現実的なノイズとCTF変調を統合することで、ポーズ推定精度と一般化を向上する。
  論文  参考訳（メタデータ） (2025-06-06T08:32:32Z)
• Towards Lensless Image Deblurring with Prior-Embedded Implicit Neural Representations in the Low-Data Regime [0.5371337604556311]
  本稿では、従来のレンズを計算に置き換えた計算画像のサブセットである、レンズレス画像再構成について述べる。 我々は、暗黙のニューラル表現をレンズレス画像の劣化に活用し、事前トレーニングを必要とせずに再構成を実現した最初の人物である。
  論文  参考訳（メタデータ） (2024-11-27T10:12:29Z)
• Latent Diffusion Prior Enhanced Deep Unfolding for Snapshot Spectral Compressive Imaging [17.511583657111792]
  スナップショット分光画像再構成は、単発2次元圧縮計測から3次元空間スペクトル像を再構成することを目的としている。 我々は, 深部展開法に先立って劣化のないモデルを生成するため, 遅延拡散モデル(LDM)という生成モデルを導入する。
  論文  参考訳（メタデータ） (2023-11-24T04:55:20Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Optical Aberration Correction in Postprocessing using Imaging Simulation [17.331939025195478]
  モバイル写真の人気は増え続けている。 最近のカメラは、これらの修正作業の一部を光学設計から後処理システムに移行した。 光学収差による劣化を回復するための実用的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-10T03:20:39Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Hybrid adiabatic quantum computing for tomographic image reconstruction -- opportunities and limitations [8.442020709975015]
  臨床画像では、患者の快適さを改善し、放射線曝露を減らすのに役立つ。 本稿では,アディアバティックな量子コンピュータとそれに関連するハイブリッド手法を用いて再構成問題を解くことを提案する。
  論文  参考訳（メタデータ） (2022-12-02T17:11:48Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• 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。