論文の概要: Improved CNN-Transformer Network for Neutron Image Super-Resolution
- arxiv url: http://arxiv.org/abs/2611.16620v1
- Date: Thu, 12 Nov 2026 10:56:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.448733
- Title: Improved CNN-Transformer Network for Neutron Image Super-Resolution
- Title(参考訳): 中性子画像超解像のための改良型CNN変換器ネットワーク
- Abstract要約: 中性子画像の空間分解能は、材料欠陥の診断、構造的特徴、非破壊検査において非常に重要である。
従来の中性子画像は、しばしばスペックルノイズ、ぼやけたエッジ、詳細の欠如に悩まされ、高精度な分析には不適当である。
これらの問題に対処するために、畳み込みニューラルネットワーク(CNN)とトランスフォーマーを組み合わせた改良された超解像モデルを提案する。
- 参考スコア(独自算出の注目度): 7.972750991123913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The spatial resolution of neutron images is of great importance for material defect diagnosis, structural characterization, and nondestructive testing. However, owing to limitations in neutron beam quality, scintillator conversion efficiency and light scattering, detector pixel size, and noise levels, conventional neutron images often suffer from speckle noise, blurred edges, and missing details, making them inadequate for high-precision analysis. To address these issues, an improved super-resolution model combining convolutional neural networks (CNNs) and Transformers is proposed. First, to overcome the difficulty of obtaining high-quality and clear training images for neutron imaging, a pretrained image restoration model is fine-tuned using real neutron images and then employed to enhance existing neutron images, thereby providing high-quality reference images for subsequent super-resolution model training. Second, an improved CRAFT-based super-resolution network is developed by incorporating a hybrid prior-guided channel fusion module (HPCF), a mean-standard deviation dual-statistics squeeze-and-excitation block (MS-SEBlock), and a partial convolution feed-forward network (PCFN), with the aim of improving the reconstruction of important information, such as textures and fine details, in neutron images. Simulation results demonstrate that, compared with bicubic interpolation, SRCNN, SRGAN-VGG, and other methods, the proposed network achieves superior performance in both full-reference metrics, including PSNR and SSIM, and no-reference metrics, including AGM and SMD. The visual quality and structural fidelity of the reconstructed images are also significantly improved. This study provides a new approach to improving neutron image quality.
- Abstract(参考訳): 中性子画像の空間分解能は、材料欠陥の診断、構造的特徴、非破壊検査において非常に重要である。
しかし、中性子ビームの品質、シンチレータ変換効率、光散乱、検出器画素サイズ、ノイズレベルが制限されているため、従来の中性子画像はスペックルノイズ、ぼやけたエッジ、詳細の欠如に悩まされ、高精度な分析には不適当である。
これらの問題に対処するために、畳み込みニューラルネットワーク(CNN)とトランスフォーマーを組み合わせた改良された超解像モデルを提案する。
まず、中性子イメージングのための高品質で明確な訓練画像を得る難しさを克服するため、訓練済み画像復元モデルを実中性子画像を用いて微調整し、既存の中性子画像を強化するために使用し、その後の超解像モデルトレーニングのための高品質な基準画像を提供する。
第二に,CRAFTをベースとした改良された超解像ネットワークは, 従来型チャネル融合モジュール (HPCF) と, 平均偏差二値式圧縮励起ブロック (MS-SEBlock) と, 部分畳み込みフィードフォワードネットワーク (PCFN) を併用して開発され, テクスチャや細部などの重要な情報を中性子画像に再現することを目的としている。
シミュレーションの結果,PSNR,SSIM,およびAGM,SMDなどの非参照指標の両方において,バイキュービック補間,SRCNN,SRGAN-VGGなどの手法と比較して,提案手法は優れた性能を示した。
また、再構成画像の視覚的品質と構造的忠実度も大幅に向上した。
本研究は中性子画像の品質向上のための新しいアプローチを提供する。
関連論文リスト
- Generative imaging for radio interferometry with fast uncertainty quantification [4.294714866547824]
学習可能な再構築手法は、効率的で高品質な再構築を実現する上で有望である。
本稿では,後部分布の効率的な近似サンプリングを可能にする生成ニューラルネットワークの利用について検討する。
本手法は,次世代電波望遠鏡の計算効率,拡張性,不確実性に配慮した画像化に向けた重要なステップを提供する。
論文 参考訳(メタデータ) (2025-07-28T18:52:07Z) - SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。
既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。
逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
論文 参考訳(メタデータ) (2025-03-16T12:32:11Z) - Diffusion Model Based Visual Compensation Guidance and Visual Difference Analysis for No-Reference Image Quality Assessment [78.21609845377644]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳(メタデータ) (2024-02-22T09:39:46Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - Flow-based Visual Quality Enhancer for Super-resolution Magnetic
Resonance Spectroscopic Imaging [13.408365072149795]
超高解像度MRSIの視覚的品質を向上させるためのフローベースエンハンサーネットワークを提案する。
我々のエンハンサーネットワークは、追加画像モダリティ(MRI)から解剖情報を取り込み、学習可能なベース分布を使用する。
また,視覚的品質調整や不確実性推定も可能である。
論文 参考訳(メタデータ) (2022-07-20T20:19:44Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳(メタデータ) (2021-04-05T13:05:22Z) - An Improved Iterative Neural Network for High-Quality Image-Domain
Material Decomposition in Dual-Energy CT [16.84451472788859]
高エネルギー・低エネルギー減衰画像から直接物質像を分解する。
高品質な材料画像を得るための様々なデータ駆動手法が提案されている。
反復ニューラルネットワーク(NN)は回帰NNとモデルベース画像再構成を組み合わせた手法である。
論文 参考訳(メタデータ) (2020-12-02T16:27:38Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳(メタデータ) (2020-05-20T11:11:47Z) - Momentum-Net for Low-Dose CT Image Reconstruction [13.084578404699172]
本稿では,低線量X線CT(LDCT)画像再構成に適したモデルを用いて,最近の高速反復型ニューラルネットワークフレームワークであるMomentum-Netを適用した。
提案したMomentum-Netアーキテクチャは,NN, WavResNet (LDCT) のような最先端の非定性画像よりも画像再構成精度が大幅に向上することを示す。
また,非拡張的NN特性を満たすため,画像修正NN学習に適用するスペクトル正規化手法についても検討した。
論文 参考訳(メタデータ) (2020-02-27T10:26:22Z)
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。