論文の概要: ML-SIM: A deep neural network for reconstruction of structured
illumination microscopy images
- arxiv url: http://arxiv.org/abs/2003.11064v1
- Date: Tue, 24 Mar 2020 18:42:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 09:01:18.731672
- Title: ML-SIM: A deep neural network for reconstruction of structured
illumination microscopy images
- Title（参考訳）: ML-SIM:構造顕微鏡画像の再構成のためのディープニューラルネットワーク
- Authors: Charles N. Christensen, Edward N. Ward, Pietro Lio, Clemens F.
Kaminski
- Abstract要約: 構造照明顕微鏡 (SIM) は, 光学超高分解能イメージングにおいて重要な技術となっている。
本稿では機械学習を利用した多目的再構成手法ML-SIMを提案する。
したがって、ML-SIMは生のSIM入力フレームの照明パターンにおけるノイズや不規則に対して堅牢である。
- 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: Structured illumination microscopy (SIM) has become an important technique
for optical super-resolution imaging because it allows a doubling of image
resolution at speeds compatible for live-cell imaging. However, the
reconstruction of SIM images is often slow and prone to artefacts. Here we
propose a versatile reconstruction method, ML-SIM, which makes use of machine
learning. The model is an end-to-end deep residual neural network that is
trained on a simulated data set to be free of common SIM artefacts. ML-SIM is
thus robust to noise and irregularities in the illumination patterns of the raw
SIM input frames. The reconstruction method is widely applicable and does not
require the acquisition of experimental training data. Since the training data
are generated from simulations of the SIM process on images from generic
libraries the method can be efficiently adapted to specific experimental SIM
implementations. The reconstruction quality enabled by our method is compared
with traditional SIM reconstruction methods, and we demonstrate advantages in
terms of noise, reconstruction fidelity and contrast for both simulated and
experimental inputs. In addition, reconstruction of one SIM frame typically
only takes ~100ms to perform on PCs with modern Nvidia graphics cards, making
the technique compatible with real-time imaging. The full implementation and
the trained networks are available at http://ML-SIM.com.
- Abstract（参考訳）: 構造的照明顕微鏡(SIM)は、ライブセルイメージングと互換性のある速度で画像解像度の倍増を可能にするため、光学超解像撮影において重要な技術となっている。
しかし、SIM画像の再構成は遅く、アーティファクトになりがちである。
本稿では機械学習を利用した多目的再構成手法ML-SIMを提案する。
このモデルはエンドツーエンドのディープ残差ニューラルネットワークであり、一般的なSIMアーチファクトのないシミュレーションデータセットでトレーニングされる。
したがって、ML-SIMは生のSIM入力フレームの照明パターンにおけるノイズや不規則に対して堅牢である。
再建法は広く適用可能であり,実験訓練データの取得は不要である。
トレーニングデータは、汎用ライブラリの画像上のSIMプロセスのシミュレーションから生成されるので、特定の実験的なSIM実装に効率的に適用することができる。
本手法で実現される復元品質は従来のsim再構成法と比較し,シミュレーション入力と実験入力の両方において,ノイズ,再構成忠実性,コントラストの面でのアドバンテージを示す。
さらに、1つのSIMフレームの再構成は通常、最新のNvidiaグラフィックカードでPC上で実行するのに100ms程度しかかかりません。
完全な実装とトレーニングされたネットワークはhttp://ML-SIM.com.comで入手できる。
関連論文リスト
- SimMAT: Exploring Transferability from Vision Foundation Models to Any Image Modality [136.82569085134554]
大量のデータを訓練するChatGPTやSoraのような基礎的なモデルは、革命的な社会的影響をもたらしている。
様々な分野のセンサーが、同じ規模の自然画像を集め、強力な基礎モデルを訓練することは極めて困難である。
この研究は、自然のRGB画像に基づいて訓練された視覚基盤モデルから、異なる物理特性の他の画像モダリティへの転送可能性という、オープンな問題を研究するための、シンプルで効果的なフレームワークであるSimMATを提示する。
論文 参考訳（メタデータ） (2024-09-12T14:38:21Z) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z) - sim2real: Cardiac MR Image Simulation-to-Real Translation via
Unsupervised GANs [0.4433315630787158]
解剖学的に異なる仮想XCAT被験者に対して画像シミュレーションを行う。
画像リアリズムを改善するためのSIM2real Translation Networkを提案する。
我々のユーザビリティ実験は、sim2realデータにより、トレーニングデータを増強し、セグメンテーションアルゴリズムの性能を高める可能性があることを示唆している。
論文 参考訳（メタデータ） (2022-08-09T16:06:06Z) - Untrained, physics-informed neural networks for structured illumination
microscopy [0.456877715768796]
我々は、深層ニューラルネットワークと構造化照明プロセスの前方モデルを組み合わせることで、トレーニングデータなしでサブ回折像を再構成できることを示す。
結果として生じる物理インフォームドニューラルネットワーク(PINN)は、単一の回折制限されたサブイメージセットに最適化することができる。
論文 参考訳（メタデータ） (2022-07-15T19:02:07Z) - Dynamic Structured Illumination Microscopy with a Neural Space-time
Model [5.048742886625779]
超高解像度で動的シーンを再構成するために,データキャプチャ中のサンプル動作をモデル化する新しい手法,Speckle Flow SIMを提案する。
変形可能な動きと1.88倍の時間分解能を持つ動的シーンを実験で再現できることを実証した。
論文 参考訳（メタデータ） (2022-06-03T05:24:06Z) - Generic Lithography Modeling with Dual-band Optics-Inspired Neural
Networks [52.200624127512874]
我々は、リソグラフィの基礎となる光学物理を考慮に入れたデュアルバンド光インスパイアされたニューラルネットワーク設計を導入する。
提案手法は, タイルサイズが1nm2/ピクセル解像度で最初に公表された金属/金属層輪郭シミュレーションである。
また,従来のリソグラフィーシミュレータよりも精度1%の精度で85倍の高速化を実現した。
論文 参考訳（メタデータ） (2022-03-12T08:08:50Z) - Spatio-temporal Vision Transformer for Super-resolution Microscopy [2.8348950186890467]
構造照明顕微鏡(Structured illumination microscopy, SIM)は、光学的超解像技術であり、回折限界を超えるライブセルイメージングを可能にする。
シフトした3次元ウィンドウマルチヘッドアテンションを用いたトランスフォーマーベースの新しい再構成手法 VSR-SIM を提案する。
SIMの時間分解能を9倍に向上させるローリングSIM画像と呼ばれるVSR-SIMのユースケースを実演する。
論文 参考訳（メタデータ） (2022-02-28T19:01:10Z) - DSSIM: a structural similarity index for floating-point data [68.8204255655161]
我々は、データSSIM(DSSIM)と呼ばれる浮動小数点データに直接適用可能な、人気のあるSSIMの代替案を提案する。
DSSIMは,大量のシミュレーションデータに対する圧縮損失による差分評価の文脈において有用性を示す一方で,シミュレーションや画像データを含む他の多くのアプリケーションにおいて有用であることを示す。
論文 参考訳（メタデータ） (2022-02-05T19:18:33Z) - Fast and Light-Weight Network for Single Frame Structured Illumination
Microscopy Super-Resolution [22.953512091536663]
深層学習に基づく単一フレーム構造照明顕微鏡(SF-SIM)を提案する。
提案手法は, 従来のSIM法に比べてほぼ14倍高速である。
論文 参考訳（メタデータ） (2021-11-17T13:39:41Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-07-27T17:46:59Z)
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。