論文の概要: Robust Pixel-wise Digital Image Correlation under Large Motions and Illumination Variations via a Global-to-Local Hybrid Neural Field

• arxiv url: http://arxiv.org/abs/2611.01018v1
• Date: Sat, 31 Oct 2026 15:00:50 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:30:49.12876
• Title: Robust Pixel-wise Digital Image Correlation under Large Motions and Illumination Variations via a Global-to-Local Hybrid Neural Field
• Title（参考訳）: グローバル-ローカルハイブリッドニューラルネットワークによる大規模動きと照度変化のロバストな画素ワイドデジタル画像相関
• Abstract要約: ディジタル画像相関(DIC)は、フルフィールド変位測定に広く用いられている非接触技術である。 本稿では,ロバストピクセルワイド計測のためのグローバル-ローカルハイブリッドDIC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）: 0.0
• License:
• Abstract: Digital image correlation (DIC) is a widely used non-contact technique for full-field displacement measurement. Data-driven deep-learning DIC offers rapid inference but may generalize poorly to unseen speckle patterns, deformation modes, noise levels, and illumination conditions. Classical optimization-based DIC and recent image-constrained neural formulations avoid labeled displacement data, yet their convergence and accuracy remain vulnerable to initialization, large rigid-body motion, fine non-uniform deformation, and gray-value disturbances. This paper presents a global-to-local hybrid neural DIC framework for robust pixelwise measurement. Stage 1 estimates a dominant in-plane rigid transformation through coarse rotation search, phase correlation, and masked refinement, providing a reliable initialization under large translation and rotation. Stage 2 represents the residual displacement with a hybrid Kolmogorov-Arnold network (KAN) and multilayer perceptron (MLP), and optimizes it using a valid-overlap, illumination-robust structural loss. The local gray-value model explicitly accommodates multiplicative and additive intensity changes. Simulated and real experiments demonstrate accurate and stable displacement recovery under noise, non-uniform deformation, large rotation, illumination variation, and degraded imaging conditions.
• Abstract（参考訳）: ディジタル画像相関(DIC)は、フルフィールド変位測定に広く用いられている非接触技術である。 データ駆動型ディープラーニングDICは、高速な推論を提供するが、目に見えないスペックルパターン、変形モード、ノイズレベル、照明条件に悪影響を及ぼす可能性がある。 古典的最適化に基づくDICと最近の画像拘束型ニューラル定式化は、ラベル付き変位データを避けるが、それらの収束と精度は、初期化、大きな剛体運動、微細な非一様変形、灰色の値の乱れに弱いままである。 本稿では,ロバストピクセルワイド計測のためのグローバル-ローカルハイブリッドDICフレームワークを提案する。 ステージ1では、粗い回転探索、位相相関、マスク付き微細化による平面内剛性変換を推定し、大きな翻訳と回転の下で信頼性の高い初期化を提供する。 ステージ2は、ハイブリッドのコルモゴロフ・アルノルドネットワーク(KAN)と多層パーセプトロン(MLP)で残留変位を表現し、有効オーバーラップ、照明・腐食構造損失を用いて最適化する。 局所灰色の値モデルは乗法的および加法的強度変化を明示的に許容する。 シミュレーションおよび実実験により、ノイズ、非一様変形、大きな回転、照明変動、劣化した撮像条件下での高精度で安定した変位回復が示された。

関連論文リスト

• GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
  GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。 高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
  論文  参考訳（メタデータ） (2026-07-23T15:52:35Z)
• Distortion-Corrected Diffusion MRI Using Rotated-View EPI and Joint Field-Map/Image Estimation with Gaussian Primitives [19.637125108820783]
  Echo Planar Imaging (EPI) は拡散と機能的ニューロイメージングの標準的な取得技術である。 EPI補正法は、まず並列画像を用いて歪んだ画像を再構成し、次にB0フィールドを推定し、画像領域の歪みを補正する。 k空間データから直接B0フィールドと歪みのない画像を共同で推定する物理インフォームド・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-30T11:33:19Z)
• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Rethinking Exposure Correction for Spatially Non-uniform Degradation [41.78840354779858]
  空間的非均一性のための新しい露出補正パラダイムを提案する。 具体的には,空間適応変調重みを予測するための空間信号を導入する。 本手法は,最先端手法と比較して質的,定量的な性能に優れる。
  論文  参考訳（メタデータ） (2026-04-05T14:41:59Z)
• Edit2Perceive: Image Editing Diffusion Models Are Strong Dense Perceivers [55.15722080205737]
  Edit2Perceiveは、深度、正規度、マッティングの編集モデルを適応させる統合拡散フレームワークである。 私たちの単一ステップの決定論的推論は、比較的小さなデータセットでトレーニングしながら、より高速なランタイムをもたらす。
  論文  参考訳（メタデータ） (2025-11-24T01:13:51Z)
• An ICTM-RMSAV Framework for Bias-Field Aware Image Segmentation under Poisson and Multiplicative Noise [3.2268442113108633]
  具体的には,I-分節項と適応的全変分法(TV)正則化器から構成される。 グレーレベルインジケータから導出される空間適応重みは、異なる強度の領域間で異なる拡散を誘導する。 合成および実世界の画像における強度不均一性および多種多様なノイズタイプを用いた実験により,提案モデルが競合する手法と比較して精度とロバスト性を向上することを示した。
  論文  参考訳（メタデータ） (2025-11-12T05:14:33Z)
• HoliGS: Holistic Gaussian Splatting for Embodied View Synthesis [59.25751939710903]
  本稿では,長い単眼RGBビデオのエンボディドビュー合成に対処する,変形可能なガウススプラッティングフレームワークを提案する。 提案手法は,非可逆ガウス散乱変形ネットワークを利用して大規模動的環境を正確に再構築する。 その結果、現実のシナリオにおけるEVSの実用的でスケーラブルなソリューションが浮かび上がっています。
  論文  参考訳（メタデータ） (2025-06-24T03:54:40Z)
• Gaussian Primitives for Deformable Image Registration [9.184092856125067]
  脳MRI、肺CT、心臓MRIのデータセットの実験結果から、GaussianDIRは既存のDIR法よりも精度と効率が優れていることが示されている。 トレーニングなしのアプローチとして、反復的手法は本質的に遅く、一般化不足の限界を超越しているというステレオタイプに挑戦する。
  論文  参考訳（メタデータ） (2024-06-05T15:44:54Z)
• 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)

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。