論文の概要: Single-exposure absorption imaging of ultracold atoms using deep learning

• arxiv url: http://arxiv.org/abs/2003.01643v2
• Date: Wed, 8 Apr 2020 16:32:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 23:36:15.664333
• Title: Single-exposure absorption imaging of ultracold atoms using deep learning
• Title（参考訳）: 深層学習による超低温原子の単一露光吸収イメージング
• Authors: Gal Ness, Anastasiya Vainbaum, Constantine Shkedrov, Yanay Florshaim, Yoav Sagi
• Abstract要約: 単一の露光で吸収イメージングを行う方法を示す。 参照フレームは第2の露光の代わりに、教師なしの画像補完ニューラルネットワークによって生成される。 ネットワークは、信号を囲む領域の情報のみに基づいて原子信号が重なるノイズを推測できるように、吸収信号なしで画像に基づいて訓練される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Absorption imaging is the most common probing technique in experiments with ultracold atoms. The standard procedure involves the division of two frames acquired at successive exposures, one with the atomic absorption signal and one without. A well-known problem is the presence of residual structured noise in the final image, due to small differences between the imaging light in the two exposures. Here we solve this problem by performing absorption imaging with only a single exposure, where instead of a second exposure the reference frame is generated by an unsupervised image-completion autoencoder neural network. The network is trained on images without absorption signal such that it can infer the noise overlaying the atomic signal based only on the information in the region encircling the signal. We demonstrate our approach on data captured with a quantum degenerate Fermi gas. The average residual noise in the resulting images is below that of the standard double-shot technique. Our method simplifies the experimental sequence, reduces the hardware requirements, and can improve the accuracy of extracted physical observables. The trained network and its generating scripts are available as an open-source repository (http://absDL.github.io/).
• Abstract（参考訳）: 吸収イメージングは超低温原子を用いた実験で最も一般的なプローブ技術である。 標準手順は、2つのフレームが連続露光時に取得され、1つは原子吸光信号、もう1つは無光である。 良く知られた問題は、2つの露光における撮像光の差が小さいため、最終画像に残留構造ノイズが存在することである。 ここでは,1回の露光のみで吸収イメージングを行い,第2の露光の代わりに教師なし画像補完オートエンコーダニューラルネットワークによって参照フレームを生成する。 ネットワークは、信号を囲む領域の情報のみに基づいて原子信号が重なるノイズを推測できるように、吸収信号なしで画像に基づいて訓練される。 量子デジネートしたフェルミガスで得られたデータに対する我々のアプローチを実証する。 得られた画像の平均残音は、標準のダブルショット技術よりも低い。 提案手法は,実験シーケンスを単純化し,ハードウェア要件を低減し,抽出した物理観測値の精度を向上させる。 トレーニングされたネットワークとその生成スクリプトは、オープンソースリポジトリとして利用できる(http://absdl.github.io/)。

関連論文リスト

• bit2bit: 1-bit quanta video reconstruction via self-supervised photon prediction [57.199618102578576]
  疎二分量時間画像データから高画質の画像スタックを元の解像度で再構成する新しい方法であるbit2bitを提案する。 Poisson denoisingの最近の研究に触発されて、スパースバイナリ光子データから高密度な画像列を生成するアルゴリズムを開発した。 本研究では,様々な課題の画像条件下でのSPADの高速映像を多種多種に含む新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:30:35Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Image Denoising and the Generative Accumulation of Photons [63.14988413396991]
  我々は,次の光子がどこに到着できるかを予測するために訓練されたネットワークが,実際に最小平均二乗誤差(MMSE)を解くことを示している。 自己監督型認知のための新しい戦略を提案する。 本稿では,画像に少量の光子を反復的にサンプリングし,付加することにより,可能な解の後方からサンプリングする新しい方法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T08:03:32Z)
• Shot Noise Reduction in Radiographic and Tomographic Multi-Channel Imaging with Self-Supervised Deep Learning [0.9786690381850356]
  ノイズはX線およびトモグラフィーイメージング技術において重要な問題である。 追加の制約が画像当たりのSNR(Signal-to-Noise Ratio)を強く削減するアプリケーションでは特に重要である。 ノイズの多いマルチチャネル(時間またはエネルギー未解決)画像データセットの品質向上手法について報告する。
  論文  参考訳（メタデータ） (2023-03-25T10:33:41Z)
• Fluctuation-based deconvolution in fluorescence microscopy using plug-and-play denoisers [2.236663830879273]
  蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。 この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
  論文  参考訳（メタデータ） (2023-03-20T15:43:52Z)
• Unsupervised Denoising of Retinal OCT with Diffusion Probabilistic Model [0.2578242050187029]
  本稿では,信号の代わりにノイズから学習するための拡散確率モデルを提案する。 本手法は,簡単な作業パイプラインと少量のトレーニングデータを用いて,画像品質を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-01-27T19:02:38Z)
• Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
  Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。 ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。 デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
  論文  参考訳（メタデータ） (2021-01-08T02:03:25Z)
• Noise2Stack: Improving Image Restoration by Learning from Volumetric Data [0.0]
  本稿では,画像スタックへのNoss2Noise法の拡張であるNoss2Stackを紹介する。 磁気共鳴脳スキャンと新たに取得した多面体顕微鏡データを用いて,スタック内の画像近傍からのみ学習することで,ノイズ2ノイズとノイズ2Voidを上回り得ることを示す。
  論文  参考訳（メタデータ） (2020-11-10T14:01:47Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)
• Effective statistical fringe removal algorithm for high-sensitivity imaging of ultracold atoms [3.4521385239788813]
  超低温原子の吸収イメージングのための高度な外周除去アルゴリズムを示す。 少数のサンプル画像を用いて、不要なフリンジパターンを効率的に抑制する。
  論文  参考訳（メタデータ） (2020-02-24T03:03:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。