論文の概要: Enhancing analytical photon transport in turbid media through physics-guided neural network corrections

• arxiv url: http://arxiv.org/abs/2610.26917v1
• Date: Sat, 17 Oct 2026 07:28:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.384593
• Title: Enhancing analytical photon transport in turbid media through physics-guided neural network corrections
• Title（参考訳）: 物理誘導型ニューラルネットワーク補正による乱流媒質中の光子輸送の促進
• Abstract要約: 解析モデルの計算効率とモンテカルロシミュレーションの精度を組み合わせた物理誘導残差学習フレームワークを提案する。 評価された光学特性範囲全体で、提案フレームワークはスカラー反射率RMSEと空間分解反射率RMSLEを約62と14の因子でそれぞれ低減する。
• 参考スコア（独自算出の注目度）: 43.2583980629588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analytical methods provide rapid and computationally efficient predictions of light transport in turbid media, making them attractive for real-time and inverse applications. However, their accuracy is limited by the approximations and assumptions used to obtain tractable solutions. On the other hand, Monte Carlo (MC) simulation is widely regarded as the "gold standard" for modeling light transport in turbid media, but its high computational cost limits its use in applications requiring repeated forward evaluations. Here, we introduce a physics-guided residual learning framework that combines the computational efficiency of analytical modeling with the accuracy of MC simulation. As a representative case study, we consider the diffusion approximation (DA), which can exhibit systematic errors under relatively strong absorption, weak scattering, and imperfect boundary treatment. Given the absorption coefficient, scattering coefficient, and anisotropy factor, the corresponding DA prediction is incorporated as a physical prior, while the network learns only the residual between the analytical prediction and the MC reference. Across the evaluated optical-property range, the proposed framework reduces scalar-reflectance RMSE and spatially resolved reflectance RMSLE by factors of approximately 62 and 14, respectively, relative to the diffusion approximation. With only 1\% of the available training data, it achieves approximately 87\% and 93\% lower corresponding errors than a direct neural-network surrogate. These results demonstrate that learning corrections to an analytical physical baseline improves both prediction accuracy and data efficiency.
• Abstract（参考訳）: 解析手法は、濁った媒体における光輸送の迅速かつ効率的な予測を提供し、リアルタイムおよび逆応用に魅力を与える。 しかし、それらの精度は、抽出可能な解を得るために用いられる近似や仮定によって制限される。 一方、モンテカルロシミュレーション(MC)は、濁った媒体の光輸送をモデル化するための「金の標準」として広く見なされているが、その高い計算コストは、前向き評価の繰り返しを必要とするアプリケーションでの使用を制限する。 本稿では,解析モデルの計算効率とMCシミュレーションの精度を組み合わせた物理誘導残差学習フレームワークを提案する。 代表的なケーススタディとして, 比較的強い吸収, 弱い散乱, 不完全な境界条件下での系統的誤差を示す拡散近似(DA)を考察する。 吸収係数、散乱係数、異方性係数が与えられた場合、対応するDA予測は物理先行として組み込まれ、ネットワークは解析的予測とMC基準の間の残差のみを学習する。 評価された光学特性範囲全体では,拡散近似に対して,スカラー反射率RMSEと空間分解反射率RMSLEを約62と14の因子でそれぞれ低減する。 利用可能なトレーニングデータのわずか1\%で、直接ニューラルネットワークサロゲートよりも約87\%、93\%低い対応エラーを達成できる。 これらの結果は,解析的物理ベースラインに対する学習補正が予測精度とデータ効率の両方を改善することを示す。

関連論文リスト

• Scalable Identification of Physics-Based and Neural Dynamics from Partial Measurements [6.582702123374343]
  部分的測定から非線形力学を識別するスケーラブルな手法を提案する。 我々は,移動水平推定方式によって実行される状態推定と合わせて予測誤差法(PEM)を用いる。 パラメータワイドの感度行列を明示的に回避し、基礎となる最適化問題の時間的構造を利用する再構成を導出する。
  論文  参考訳（メタデータ） (2026-10-12T10:36:57Z)
• Score-based diffusion models for diffuse optical tomography with uncertainty quantification [0.8443238959374133]
  本稿では,学習とモデルベースコンポーネントからなる混合スコアを構成することで,スコア関数の過度な適合を防止する新しい正規化手法を提案する。 実験により、データ駆動の事前分布は、古典的モデルに基づく推定と比較して、低分散の後方サンプルをもたらすことが示された。
  論文  参考訳（メタデータ） (2026-02-03T12:14:07Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• An End-to-End Differentiable, Graph Neural Network-Embedded Pore Network Model for Permeability Prediction [0.42970700836450487]
  細孔ネットワークモデル (PNMs) は細孔スケールの油圧コンダクタンスを推定し、その精度を複雑な構造で制限する。 本稿では,グラフニューラルネットワーク(GNN)をPNMに組み込む,エンドツーエンドの差別化可能なハイブリッドフレームワークを提案する。 このモデルは高い精度を達成し、様々なスケールでうまく結合し、純粋なデータ駆動型アプローチと従来のPNMアプローチの両方より優れている。
  論文  参考訳（メタデータ） (2025-09-17T09:15:23Z)
• Conditional Normalizing Flow Surrogate for Monte Carlo Prediction of Radiative Properties in Nanoparticle-Embedded Layers [7.227766714611374]
  本研究では, ナノ粒子の散乱媒体の放射特性を予測するためのデータ駆動型代理モデルを提案する。 我々は三重理論から導かれる光学特性を持つモンテカルロ放射移動シミュレーションを用いてトレーニングデータを生成する。 以上の結果から,このモデルは高い予測精度と信頼性の高い不確実性推定を実現し,放射移動シミュレーションのための強力で効率的なサロゲートとして確立した。
  論文  参考訳（メタデータ） (2025-08-27T12:54:06Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• Covariate-Balancing-Aware Interpretable Deep Learning models for Treatment Effect Estimation [15.465045049754336]
  本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。 新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。 提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-07T07:42:40Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。