Deep learning ベースのフレームワークを用いた接触なし連番画像から連続変位および機械的圧縮率の推定

arXiv:2602.07065v1 Announce Type: new 要約：光学的観察から物理媒体の機械的特性を非侵襲・接触なしで推定することは、直接物理測定が不可能なマニファンドエンジニアリングおよびバイオメディカル応用の分野において関心を集めています。従来の画像変位評価および非接触材料プローbing の手法は、時間のかかる反復アルゴリズムが非剛体画像登録および構成モデリングに使用され、離散化および反復的な数値解法、すなわち有限要素法（FEM）や有限差分法（FDM）などを活用しており、高throughput データ処理に適していません。本稿では、連番画像から直接的に連続変位および材料の圧縮率を推定するための効率的な深層学習ベースの端到端のアプローチを提示します。画像登録および材料の圧縮率推定のための 2 つの深層ニューラルネットワークに基づき、このフレームワークは従来のアプローチに比べて効率と精度において優れています。特に、我々の実験結果は、深層学習モデルが基準データセットで訓練された場合でも、画像登録によって予測されたマップから参照変位場に対する大規模な局所偏差があっても、材料の圧縮率を正確に決定できることを示しています。我々の発見は、深層学習端到端モデルの顕著な精度が、従来の画像変位の局所的特徴よりも、回転場のような高位の認知的特徴（例：ベクトル場の渦度）を評価する能力に由来していることを示唆しています。

arXiv:2602.07065v1 Announce Type: new Abstract: Contactless and non-invasive estimation of mechanical properties of physical media from optical observations is of interest for manifold engineering and biomedical applications, where direct physical measurements are not possible. Conventional approaches to the assessment of image displacement and non-contact material probing typically rely on time-consuming iterative algorithms for non-rigid image registration and constitutive modelling using discretization and iterative numerical solving techniques, such as Finite Element Method (FEM) and Finite Difference Method (FDM), which are not suitable for high-throughput data processing. Here, we present an efficient deep learning based end-to-end approach for the estimation of continuum displacement and material compressibility directly from the image series. Based on two deep neural networks for image registration and material compressibility estimation, this framework outperforms conventional approaches in terms of efficiency and accuracy. In particular, our experimental results show that the deep learning model trained on a set of reference data can accurately determine the material compressibility even in the presence of substantial local deviations of the mapping predicted by image registration from the reference displacement field. Our findings suggest that the remarkable accuracy of the deep learning end-to-end model originates from its ability to assess higher-order cognitive features, such as the vorticity of the vector field, rather than conventional local features of the image displacement.