論文の概要: Bayesian Sequential Optimal Experimental Design for Single-Pixel Imaging using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2611.03042v1
• Date: Mon, 02 Nov 2026 12:40:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:42:45.34095
• Title: Bayesian Sequential Optimal Experimental Design for Single-Pixel Imaging using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた単画素イメージングのためのベイズ系列最適実験設計
• Abstract要約: 逐次最適設計(sOED)問題を強化学習(RL)問題として再検討する。 RLでは、エージェントは、期待される情報ゲインとして与えられた報酬を最大化するために、繰り返しの実験的な試行を通じてポリシーを学習する。 これにより、測定中に複雑な情報理論の目的を直接最適化して次の設計を得る必要がなくなる。
• 参考スコア（独自算出の注目度）: 1.5437438357205282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive compressed sensing (CS) aims to select the most informative measurements sequentially, which is crucial for many modern imaging systems. This task can be formulated as a Bayesian sequential optimal experimental design (sOED) problem, where each new acquisition is chosen to maximally reduce uncertainty about the unknown image given prior information and subsequent data provided by acquisitions. However, in single-pixel imaging (SPI), the large design space consists of all possible binary illumination patterns. Directly optimizing the Bayesian sOED objective over this space using conventional methods is generally challenging. In this work, we reformulate sOED for SPI as a reinforcement learning (RL) problem. In RL, an agent learns a policy through repeated experimental trials to maximize a reward, here given as the expected information gain, the most complete measure of uncertainty reduction in Bayesian OED. This avoids the need to directly optimize complex information-theoretic objectives during a measurement to obtain the next design. Instead, the result is a learned policy function that directly maps the current posterior belief about the image to the next optimal binary measurement pattern, in a computationally efficient way. Using a simple yet representative SPI imaging scenario, this work evaluates the scalability of the learned policy under two different policy parameterizations. Furthermore, we investigate how performance deteriorates when only approximate posterior information is available or the measurements are impaired by noise, and propose several strategies to introduce additional design constraints motivated by biomedical applications. The numerical experiments demonstrate that the proposed Bayesian sOED-RL framework remains robust and can be extended to more complex, large-scale SPI scenarios.
• Abstract（参考訳）: 適応圧縮センシング (Adaptive compressed Sensor, CS) は、多くの現代のイメージングシステムにおいて重要な、最も情報に富んだ計測方法を選択することを目的としている。 このタスクはベイズ的逐次最適実験設計(sOED)問題として定式化することができ、各新たな取得が選択され、与えられた未知の画像や、取得によって提供されるその後のデータに対する不確実性を最大化することができる。 しかし、SPI(Single-Pixel Imaging)では、大きなデザイン空間は全ての可能なバイナリ照明パターンで構成されている。 ベイズ的sOEDの目的を直接この空間上で最適化することは、一般的には困難である。 本研究では,SPIに対するsOEDを強化学習(RL)問題として再検討する。 RLでは、エージェントが実験を繰り返し、報酬を最大化するためにポリシーを学習する。 これにより、測定中に複雑な情報理論の目的を直接最適化して次の設計を得る必要がなくなる。 その代わりに、学習されたポリシー関数は、画像に関する現在の後続の信念を、計算的に効率的な方法で、次の最適な2値測定パターンに直接マッピングする。 単純なSPIイメージングシナリオを用いて、2つの異なるポリシーパラメータ化の下で学習されたポリシーのスケーラビリティを評価する。 さらに, 生医学的応用による付加的な設計制約を導入するためのいくつかの手法を提案する。 数値実験により、ベイズ式sOED-RLフレームワークは引き続き頑健であり、より複雑で大規模なSPIシナリオに拡張可能であることが示された。

関連論文リスト

• AMIEOD: Adaptive Multi-Experts Image Enhancement for Object Detection in Low-Illumination Scenes [14.04724904705052]
  AMIEODは低照度シーンのための画像強調可能なオブジェクト検出フレームワークである。 低照度画像の情報をフル活用するために,多照度画像強調モジュールを提案する。 複数のデータセットに対する実験により,提案手法は低照度条件下での物体検出精度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-05-07T12:06:21Z)
• Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning [59.11663802446183]
  フローおよび拡散生成モデルは、事前情報を保持しながらタスク固有の目的を最適化するために適応することができる。 本研究では,フロー密度制御(FDC)を導入し,複雑な問題をより単純な微調整タスクの特定のシーケンスに還元する。 我々は,近年のミラーフローの理解を活用して,現実的な仮定の下で提案されたスキームの収束保証を導出する。
  論文  参考訳（メタデータ） (2025-11-27T17:19:01Z)
• Active MRI Acquisition with Diffusion Guided Bayesian Experimental Design [1.3142127084199051]
  臨床環境におけるMRIの利点を最大化するための鍵となる課題は、画像品質を著しく劣化させることなく取得時間を短縮することである。 この目的には、高速な取得のために生のk空間測定をアンダーサンプリングすることと、高忠実度画像再構成および解析タスクのための十分な生情報を収集することのバランスが必要である。 本稿では, 逐次ベイズ実験設計(BED)を用いて, 最も情報性の高い測定値の適応的, タスク依存的な選択を実現することを提案する。
  論文  参考訳（メタデータ） (2025-06-19T11:48:30Z)
• Efficient One-Step Diffusion Refinement for Snapshot Compressive Imaging [8.819370643243012]
  Coded Aperture Snapshot Spectral Imaging (CASSI)は3次元マルチスペクトル画像(MSI)を撮影するための重要な技術である 現在の最先端の手法は、主にエンドツーエンドであり、高周波の詳細を再構築する際の制限に直面している。 本稿では,Snapshot Compressive Imagingのための自己教師型適応フレームワークにおいて,新しい1段階拡散確率モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-11T17:02:10Z)
• MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
  本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。 実験により,提案手法が現在の先行手法を超越していることが実証された。
  論文  参考訳（メタデータ） (2024-01-19T04:40:20Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Conditioning Generative Latent Optimization for Sparse-View CT Image Reconstruction [0.5497663232622965]
  生成潜在最適化フレームワーク(cGLO)に対する教師なし条件付きアプローチを提案する。 この手法は、複数のトレーニングデータセットサイズと様々な視角を用いて、フルドーズスパース・ビューCTでテストされる。
  論文  参考訳（メタデータ） (2023-07-31T13:47:33Z)
• Learning from Multi-Perception Features for Real-Word Image Super-resolution [87.71135803794519]
  入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。 本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。 また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
  論文  参考訳（メタデータ） (2023-05-26T07:35:49Z)
• Single-photon Image Super-resolution via Self-supervised Learning [6.218646347012887]
  SPISR(Single-Photon Image Super-Resolution)は、高分解能の光子計数キューブを、高分解能の低分解能キューブから計算画像アルゴリズムによって回収することを目的としている。 EI(Equivariant Imaging)を単一光子データに拡張することにより、SPISRタスクのための自己教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T15:52:01Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。 DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)

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。