Buchumschlag

Fast Physics-Driven Untrained Network for Highly Nonlinear Inverse Scattering Problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Du, Yutong, Liu, Zicheng, Huang, Yi, Matkerim, Bazargul, Qi, Bo, Zong, Yali, Han, Peixian
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics-Driven Neural Network for Solving Electromagnetic Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2025)

Improved Physics-Driven Neural Network to Solve Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2025)

Contrast-Source-Based Physics-Driven Neural Network for Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2026)

Field Reconstruction for High-Frequency Electromagnetic Exposure Assessment Based on Deep Learning
von: Cao, Miao, et al.
Veröffentlicht: (2025)

Quality-factor inspired deep neural network solver for solving inverse scattering problems
von: Du, Yutong, et al.
Veröffentlicht: (2025)

Solving Inverse Problems with Model Mismatch using Untrained Neural Networks within Model-based Architectures
von: Guan, Peimeng, et al.
Veröffentlicht: (2024)

Deformable Medical Image Registration with Effective Anatomical Structure Representation and Divide-and-Conquer Network
von: Ma, Xinke, et al.
Veröffentlicht: (2025)

A Model-Guided Neural Network Method for the Inverse Scattering Problem
von: Tsang, Olivia, et al.
Veröffentlicht: (2025)

Solving the Wide-band Inverse Scattering Problem via Equivariant Neural Networks
von: Zhang, Borong, et al.
Veröffentlicht: (2022)

Residual Back Projection With Untrained Neural Networks
von: Shu, Ziyu, et al.
Veröffentlicht: (2022)

Exploration Behavior of Untrained Policies
von: Adamczyk, Jacob
Veröffentlicht: (2025)

Understanding Untrained Deep Models for Inverse Problems: Algorithms and Theory
von: Alkhouri, Ismail, et al.
Veröffentlicht: (2025)

Position: Untrained Machine Learning for Anomaly Detection by using 3D Point Cloud Data
von: Du, Juan, et al.
Veröffentlicht: (2025)

Physics-Informed Deep Contrast Source Inversion: A Unified Framework for Inverse Scattering Problems
von: Sun, Haoran, et al.
Veröffentlicht: (2025)

A Novel Representation of Periodic Pattern and Its Application to Untrained Anomaly Detection
von: Ye, Peng, et al.
Veröffentlicht: (2024)

Fast Algorithm for Constrained Linear Inverse Problems
von: Sheriff, Mohammed Rayyan, et al.
Veröffentlicht: (2022)

You Can Have Better Graph Neural Networks by Not Training Weights at All: Finding Untrained GNNs Tickets
von: Huang, Tianjin, et al.
Veröffentlicht: (2022)

3D-CSAD: Untrained 3D Anomaly Detection for Complex Manufacturing Surfaces
von: Cao, Xuanming, et al.
Veröffentlicht: (2024)

Initial Guessing Bias: How Untrained Networks Favor Some Classes
von: Francazi, Emanuele, et al.
Veröffentlicht: (2023)

RandomNet: Clustering Time Series Using Untrained Deep Neural Networks
von: Li, Xiaosheng, et al.
Veröffentlicht: (2024)

GRU: Mitigating the Trade-off between Unlearning and Retention for LLMs
von: Wang, Yue, et al.
Veröffentlicht: (2025)

Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics
von: Aarts, Gert, et al.
Veröffentlicht: (2025)

Deep Unrolling Networks with Recurrent Momentum Acceleration for Nonlinear Inverse Problems
von: Zhou, Qingping, et al.
Veröffentlicht: (2023)

Link Prediction with Untrained Message Passing Layers
von: Qarkaxhija, Lisi, et al.
Veröffentlicht: (2024)

Makeup-Guided Facial Privacy Protection via Untrained Neural Network Priors
von: Shamshad, Fahad, et al.
Veröffentlicht: (2024)

Brain-Like Language Processing via a Shallow Untrained Multihead Attention Network
von: AlKhamissi, Badr, et al.
Veröffentlicht: (2024)

Back-Projection Diffusion: Solving the Wideband Inverse Scattering Problem with Diffusion Models
von: Zhang, Borong, et al.
Veröffentlicht: (2024)

Fast Samplers for Inverse Problems in Iterative Refinement Models
von: Pandey, Kushagra, et al.
Veröffentlicht: (2024)

Tackling the Problem of Distributional Shifts: Correcting Misspecified, High-Dimensional Data-Driven Priors for Inverse Problems
von: Barco, Gabriel Missael, et al.
Veröffentlicht: (2024)

Examining the robustness of Physics-Informed Neural Networks to noise for Inverse Problems
von: Jekic, Aleksandra, et al.
Veröffentlicht: (2025)

Self-diffusion for Solving Inverse Problems
von: Luo, Guanxiong, et al.
Veröffentlicht: (2025)

Causality Meets Locality: Provably Generalizable and Scalable Policy Learning for Networked Systems
von: Liang, Hao, et al.
Veröffentlicht: (2025)

InverseBench: Benchmarking Plug-and-Play Diffusion Priors for Inverse Problems in Physical Sciences
von: Zheng, Hongkai, et al.
Veröffentlicht: (2025)

The Unreasonable Effectiveness of Solving Inverse Problems with Neural Networks
von: Holl, Philipp, et al.
Veröffentlicht: (2024)

Reinforced Inverse Scattering
von: Jiang, Hanyang, et al.
Veröffentlicht: (2022)

Solving Forward and Inverse Problems of Contact Mechanics using Physics-Informed Neural Networks
von: Sahin, T., et al.
Veröffentlicht: (2023)

Optimization Landscapes Learned: Proxy Networks Boost Convergence in Physics-based Inverse Problems
von: Goyal, Girnar, et al.
Veröffentlicht: (2025)

Inverse Approximation Theory for Nonlinear Recurrent Neural Networks
von: Wang, Shida, et al.
Veröffentlicht: (2023)

Self-Play Only Evolves When Self-Synthetic Pipeline Ensures Learnable Information Gain
von: Liu, Wei, et al.
Veröffentlicht: (2026)

Graph Contrastive Learning versus Untrained Baselines: The Role of Dataset Size
von: Khanna, Smayan, et al.
Veröffentlicht: (2025)