深層学習を用いたモンテカルロ光子輸送シミュレーションの雑音除去のためのフレームワーク【JST・京大機械翻訳】

Raayai Ardakani, M.; Yu, L.; Kaeli, D. R.; Fang, Q.

プレプリント

J-GLOBAL ID：202202218038457390 整理番号：22P0312841

深層学習を用いたモンテカルロ光子輸送シミュレーションの雑音除去のためのフレームワーク【JST・京大機械翻訳】

Framework for Denoising Monte Carlo Photon Transport Simulations Using Deep Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月22日プレプリントサーバーでの情報更新日： 2022年01月22日
JST資料番号： O7001B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

モンテカルロ(MC)法は,ヒト組織のような混濁媒体内部の光伝搬のモデリングのための金標準として広く用いられているが,その固有の確率雑音と戦うことは,多数の光子をシミュレートする必要があり,高い計算負荷をもたらす。【目的】著者らは,低光子MCシミュレーション結果品質を劇的に改善するために,深い学習(DL)を用いた効果的画像雑音除去技術を開発し,MC法に更なる加速を同等にもたらす。手法では,三次元(3-D)MCデータの取り扱いにおいて,DnCNN,UNet,DRUNet,およびResMCNetを含む一連の確立された画像雑音除去ニューラルネットワークアーキテクチャを拡張し,モデルベース雑音除去アルゴリズムに対する性能を比較した。また,DLベースのMC雑音除去器を訓練するために使用できる合成データセットを作成するための簡単で効果的なアプローチを開発した。【結果】全体的に,DLベースの画像雑音除去アルゴリズムは,従来のモデルベースの雑音除去アルゴリズムよりも有意に高い画質改善を示す。テストされたDLデノシエルの中で,Cascadeネットワークは信号雑音比(SNR)の14~19dBの改善をもたらし,25xから78xの光子のシミュレートに等価である。他のDLベースの方法は,類似の結果をもたらし,著者らの方法は,低光子入力で著しくより良く,そして,DRUNetと共にResMCNetは,高光子入力でより良い性能を示した。Cascadeネットワークは,脳とマウスアラーゼを含む複雑なドメインを雑音除去するとき,最高の品質を達成した。【結論】最先端のDL雑音除去技術を組み込むことは,MCシミュレーションの計算時間を1桁から2桁まで等価的に減らすことができる。オープンソースMC雑音除去符号とデータはhttp://mcx.space/で自由にアクセスできる。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

図形・画像処理一般

, , , , ,

前のページに戻る