Oct, 2023

基于深度学习的重叠稀疏图像分解：中微子相互作用顶点的应用

PDF
TL;DR通过深度学习精确提取多维度重叠稀疏图像中的单个对象，应用于高能物理的探测器成像获取的叠加基本粒子的分解中，解决了识别和测量中微子相互作用顶点处独立粒子及动力学参数的复杂问题，并通过与可微生成模型的结合进一步改善了图像分解，从而提高了参数测量的分辨率。
image decompositiondeep learningmulti-dimensional overlapping-sparse imageselementary particlesneutrino interactions
发现论文，激发创造
  • 逆问题的深度分解学习

    本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

    Nov, 2019

  • 利用深度神经网络进行高能物理中的喷注细分分类

    本文使用深度神经网络进行图像分类，无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注，效果与现有分析方法相当或略优。

    Mar, 2016

  • 从单个 RGB 图像学习无监督 3D 物体的分层部件分解

    该研究提出了一种新的方法，可以同时恢复 3D 对象的几何形状和基于部分的分解，以及它们之间的潜在层次结构，实验证明考虑部分的组织确实有助于推理三维几何。

    Apr, 2020

  • 无监督图像分解成物体原型分层处理

    我们提出了一种用于将图像分解为自动发现的对象模型层的无监督学习框架，其中包含可学习的对象原型、参数化函数、图像形成模型等组成部分，尝试实现对真实图像进行对象分类和实例参数辨识的目标，并在多个标准数据集上验证了其有效性。

    Apr, 2021

  • Jet-Images -- 深度学习版本

    采用基于深度学习技术的机器学习算法识别高增强度 W 玻色子，该算法优于传统的物理学特征驱动算法，通过可视化训练过程，可以获得附加信息以提高性能，加深对逐渐深入了解喷注中的物理以及新粒子和新力的敏感性的物理学特征驱动工具和监督学习算法之间的相互作用的普遍性。

    Nov, 2015

  • 基于物理的阴影图像分解技术用于去除阴影

    通过使用线性光照转换建模阴影效应，提出了一种深度学习方法，使用 SP-Net 和 M-Net 来预测阴影参数和阴影遮罩，并采用修补网络 I-Net 进一步优化结果，在 ISTD 数据集上测试表明，在阴影区域方面，我们的方法比现有方法提高了 20％，同时提出了一种基于补丁的弱监督阴影去除方法，并引入了一个用于评估阴影去除方法的视频数据集 SBU-Timelapse。

    Dec, 2020

  • 复杂场景下基于分解和干扰感知的红外与可见光图像融合

    我们提出了一种基于分解和干扰感知的图像融合方法，通过对可见图像的散射程度进行像素分类并分离图像的细节和能量信息，实现对复杂场景中的干扰像素的更好识别，并结合自适应降噪和加权融合规则，得到在复杂场景下优越的图像融合效果。

    Feb, 2024

  • 无监督深度隐式粒子图像表示学习

    提出一种新的视觉数据表示方法 Deep Latent Particles (DLP)，其中用空间 - softmax 和 Chamfer 距离先验驱动学习生成低维潜在颗粒表示，并表明其对多个动态对象构成的场景视频预测等下游任务具有实用性，同时给出颗粒位置的不确定性估计。

    May, 2022

  • 基于工作记忆的分层视频分解与转化表示

    本研究介绍了一种灵活的视觉工作存储模型用于视频分解任务，该模型提供了可解释和高性能的分层深度体系结构，有效地恢复了运动目标的强度和几何形状，通过分解视频中的结构正则化模拟移动前景对象，创新性地分离出噪声和复杂背景中的运动对比度 - 填充血管。

    Apr, 2022

  • 总体分解：最小交互下的三维场景重建

    该研究论文提出了一种名为 Total-Decom 的方法，使用少量人工干预实现了 3D 场景的精确重建和实时控制，通过结合 Segment Anything Model (SAM)、混合隐式 - 显式神经表面表示和基于网格的区域生长技术实现了准确的 3D 对象分解。

    Mar, 2024