論文の概要: Adaptive optics with reflected light and deep neural networks

• arxiv url: http://arxiv.org/abs/2004.04603v1
• Date: Thu, 9 Apr 2020 15:39:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 03:28:58.132840
• Title: Adaptive optics with reflected light and deep neural networks
• Title（参考訳）: 反射光と深部ニューラルネットワークを用いた適応光学
• Authors: Ivan Vishniakou, Johannes D. Seelig
• Abstract要約: 本研究では,反射光と深部ニューラルネットワークを併用した適応光学系の開発を行った。 励起及び検出経路収差と対応する反射焦点画像からなるサンプル収差の大規模なデータセットを生成する。 深層ニューラルネットワークは、散乱サンプルから記録された反射光画像に基づいて、励起と検出の収差を独立に歪め、補正することができる。
• 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: Light scattering and aberrations limit optical microscopy in biological tissue, which motivates the development of adaptive optics techniques. Here, we develop a method for adaptive optics with reflected light and deep neural networks compatible with an epi-detection configuration. Large datasets of sample aberrations which consist of excitation and detection path aberrations as well as the corresponding reflected focus images are generated. These datasets are used for training deep neural networks. After training, these networks can disentangle and independently correct excitation and detection aberrations based on reflected light images recorded from scattering samples. A similar deep learning approach is also demonstrated with scattering guide stars. The predicted aberration corrections are validated using two photon imaging.
• Abstract（参考訳）: 光散乱と収差は生体組織における光学顕微鏡を制限し、適応光学技術の発展を動機付ける。 本稿では、反射光と深部ニューラルネットワークをエピ検出構成に適合させる適応光学法を提案する。 励起及び検出経路収差と対応する反射焦点画像からなるサンプル収差の大規模なデータセットを生成する。 これらのデータセットは、ディープニューラルネットワークのトレーニングに使用される。 トレーニング後、これらのネットワークは、散乱サンプルから記録された反射光画像に基づく励起と検出の収差を分離し、独立して補正することができる。 同様の深層学習法は散乱ガイド星でも示される。 予測収差補正は2つの光子イメージングを用いて検証する。

関連論文リスト

• Application of RESNET50 Convolution Neural Network for the Extraction of Optical Parameters in Scattering Media [4.934656140862609]
  我々はモンテカルロシミュレーションに基づくシミュレーションデータを用いて汎用畳み込みニューラルネットワークRESNET 50を訓練する。 私たちのアプローチでは、以前の作業と比較すると、はるかに小さなデータセットでトレーニングすることで、同等か、あるいはより優れた再構築の精度が得られます。
  論文  参考訳（メタデータ） (2024-04-25T14:36:00Z)
• Improving Lens Flare Removal with General Purpose Pipeline and Multiple Light Sources Recovery [69.71080926778413]
  フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。 現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。 本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
  論文  参考訳（メタデータ） (2023-08-31T04:58:17Z)
• Comparison of convolutional neural networks for cloudy optical images reconstruction from single or multitemporal joint SAR and optical images [0.21079694661943604]
  本研究では,SARと光画像を用いた畳み込みニューラルネットワークの評価に着目する。 光画像再構成を目的としたディープネットのトレーニングのためのデータセット作成を容易にするシンプルなフレームワークを提案する。 空間分割データ構造が,クラウドカバレッジ,相対的取得日,画素の妥当性,SARと光学画像との相対的近接といった点において,サンプルのクエリにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2022-04-01T13:31:23Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Differentiable model-based adaptive optics for two-photon microscopy [0.0]
  収差は、生体組織などの散乱物質のイメージング時に走査蛍光顕微鏡を制限する。 適応光学に対するモデルベースアプローチは、光学セットアップの計算モデルを利用する。 このアプローチを2光子走査顕微鏡に拡張する。
  論文  参考訳（メタデータ） (2021-04-29T12:50:08Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)
• Uncalibrated Neural Inverse Rendering for Photometric Stereo of General Surfaces [103.08512487830669]
  本稿では,測光ステレオ問題に対する無補間深層ニューラルネットワークフレームワークを提案する。 既存のニューラルネットワークベースの方法は、物体の正確な光方向または接地正則のいずれかまたは両方を必要とします。 本稿では,この問題に対する未調整の神経逆レンダリング手法を提案する。
  論文  参考訳（メタデータ） (2020-12-12T10:33:08Z)
• SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
  本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。 我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。 本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-30T08:23:25Z)
• Scale-, shift- and rotation-invariant diffractive optical networks [0.0]
  D2NN(Diffractive Deep Neural Networks)は、一連のトレーニング可能な表面上の光-物質相互作用を利用して、所望の統計的推論タスクを計算する。 そこで本研究では,学習期間中に入力オブジェクトの変換,回転,スケーリングを導入する,拡散型ネットワークの新たなトレーニング戦略を示す。 このトレーニング戦略は、スケール、シフト、回転不変の解への微分光学ネットワーク設計の進化をうまく導く。
  論文  参考訳（メタデータ） (2020-10-24T02:18:39Z)
• Differentiable model-based adaptive optics with transmitted and reflected light [0.0]
  モデルベース適応光学と機械学習フレームワークの最適化手法を組み合わせることで,少数の測定値による収差補正が可能であることを示す。 透過に焦点を合わせることは、反射光のみに基づいて達成され、エピ検出イメージング構成と互換性がある。
  論文  参考訳（メタデータ） (2020-07-27T09:39:19Z)
• Deep Photon Mapping [59.41146655216394]
  本稿では,粒子ベースのレンダリングのための新しい深層学習手法を提案する。 我々は、カーネル関数を予測するために新しいディープニューラルネットワークをトレーニングし、シェーディングポイントでの光子寄与を集約する。 我々のネットワークは、個々の光子を光子ごとの特徴にエンコードし、シェーディングポイントの近傍でそれらを集約し、光子ごとの局所的特徴と光子ごとの局所的特徴からカーネル関数を推論する。
  論文  参考訳（メタデータ） (2020-04-25T06:59:10Z)

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。