Neural Inverse Scattering with Score-based Regularization

要約

逆散乱は、顕微鏡検査からリモートセンシングまで、多くのイメージングアプリケーションで根本的な課題です。
この問題を解決するには、多くの場合、2つの未知数（オブジェクト内の画像と散乱フィールド）を共同で推定する必要があります。推論を正規化する前に効果的な画像を必要とします。
この論文では、スコアベースの生成モデルで使用される除去スコア関数を統合する正規化されたニューラルフィールド（NF）アプローチを提案します。
ニューラルフィールドの定式化は、共同推定を実行するのに便利な柔軟性を提供しますが、除去スコア関数は画像の豊富な構造的事前を課します。
3つの高コントラストシミュレーションオブジェクトに関する我々の結果は、提案されたアプローチが、正則化が全体の変動に基づいている最先端のNFアプローチと比較して、より良いイメージング品質をもたらすことを示しています。

要約(オリジナル)

Inverse scattering is a fundamental challenge in many imaging applications, ranging from microscopy to remote sensing. Solving this problem often requires jointly estimating two unknowns — the image and the scattering field inside the object — necessitating effective image prior to regularize the inference. In this paper, we propose a regularized neural field (NF) approach which integrates the denoising score function used in score-based generative models. The neural field formulation offers convenient flexibility to performing joint estimation, while the denoising score function imposes the rich structural prior of images. Our results on three high-contrast simulated objects show that the proposed approach yields a better imaging quality compared to the state-of-the-art NF approach, where regularization is based on total variation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google