論文の概要: Real-time sparse-sampled Ptychographic imaging through deep neural
networks
- arxiv url: http://arxiv.org/abs/2004.08247v1
- Date: Wed, 15 Apr 2020 23:43:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 04:32:26.687466
- Title: Real-time sparse-sampled Ptychographic imaging through deep neural
networks
- Title（参考訳）: 深部ニューラルネットワークを用いたリアルタイムスパースサンプリング画像
- Authors: Mathew J. Cherukara, Tao Zhou, Youssef Nashed, Pablo Enfedaque, Alex
Hexemer, Ross J. Harder and Martin V. Holt
- Abstract要約: データの取得と解析の両方に制約を課す複雑な逆問題の解法により、画像再構成を実現する。
本稿では,深部畳み込みニューラルネットワークに基づく画像再構成問題の解法として,PtychoNNを提案する。
- 参考スコア（独自算出の注目度）: 3.3351024234383946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ptychography has rapidly grown in the fields of X-ray and electron imaging
for its unprecedented ability to achieve nano or atomic scale resolution while
simultaneously retrieving chemical or magnetic information from a sample. A
ptychographic reconstruction is achieved by means of solving a complex inverse
problem that imposes constraints both on the acquisition and on the analysis of
the data, which typically precludes real-time imaging due to computational cost
involved in solving this inverse problem. In this work we propose PtychoNN, a
novel approach to solve the ptychography reconstruction problem based on deep
convolutional neural networks. We demonstrate how the proposed method can be
used to predict real-space structure and phase at each scan point solely from
the corresponding far-field diffraction data. The presented results demonstrate
how PtychoNN can effectively be used on experimental data, being able to
generate high quality reconstructions of a sample up to hundreds of times
faster than state-of-the-art ptychography reconstruction solutions once
trained. By surpassing the typical constraints of iterative model-based
methods, we can significantly relax the data acquisition sampling conditions
and produce equally satisfactory reconstructions. Besides drastically
accelerating acquisition and analysis, this capability can enable new imaging
scenarios that were not possible before, in cases of dose sensitive, dynamic
and extremely voluminous samples.
- Abstract（参考訳）: ptychographyは、試料から化学または磁気情報を検索しながら、前例のないナノまたは原子スケールの解像度を達成する能力を持つため、x線および電子イメージングの分野で急速に成長してきた。
ptychographic reconstructionは、データの取得と分析の両方に制約を課す複雑な逆問題を解くことで実現される。
本研究では,深層畳み込みニューラルネットワークに基づくptychographyの再構成問題を解決する新しい手法であるptychonnを提案する。
提案手法は,各走査点における実空間構造と位相を,対応する遠距離回折データからのみ予測できることを示す。
そこで本研究では,ptychonnを実験データに効果的に用いる方法を示し,従来から訓練されていたptychonnリコンストラクションソリューションの数百倍の速さでサンプルの高品質な再構成を実現できることを示した。
反復モデルに基づく手法の典型的な制約を超越することで、データ取得サンプリング条件を著しく緩和し、等しく満足できる再構成を行うことができる。
この機能は、獲得と分析を劇的に加速するだけでなく、線量に敏感でダイナミックで非常に明るいサンプルの場合、以前は不可能だった新しいイメージングシナリオを可能にする。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - PtychoDV: Vision Transformer-Based Deep Unrolling Network for
Ptychographic Image Reconstruction [12.780951605821238]
PtychoDVは、効率的で高品質な画像再構成のために設計された、新しいディープモデルベースのネットワークである。
シミュレーションデータの結果,PtychoDVは既存のディープラーニング手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-10-11T14:01:36Z) - A Deep Generative Approach to Oversampling in Ptychography [9.658250977094562]
ptychographyの大きな欠点は、長いデータ取得時間である。
本稿では, 深層生成ネットワークから抽出したデータを用いて, わずかに取得したデータやアンダーサンプルデータを補完する手法を提案する。
深層生成ネットワークを事前学習し、データ収集時に出力を計算できるので、実験データとデータ取得時間を削減することができる。
論文 参考訳（メタデータ） (2022-07-28T22:02:01Z) - Compressive Ptychography using Deep Image and Generative Priors [9.658250977094562]
Ptychographyは、ナノメートルスケールでサンプルの非侵襲的なイメージングを可能にする、よく確立されたコヒーレント回折イメージング技術である。
Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間である。
本稿では,深部画像先行と深部画像先行とを組み合わせた生成モデルを提案する。
論文 参考訳（メタデータ） (2022-05-05T02:18:26Z) - Towards performant and reliable undersampled MR reconstruction via
diffusion model sampling [67.73698021297022]
DiffuseReconは拡散モデルに基づく新しいMR再構成法である。
観測された信号に基づいて生成過程を導出する。
特定の加速因子に関する追加の訓練は必要としない。
論文 参考訳（メタデータ） (2022-03-08T02:25:38Z) - Mining the manifolds of deep generative models for multiple
data-consistent solutions of ill-posed tomographic imaging problems [10.115302976900445]
断層撮影は一般的に逆問題である。
本稿では,トモグラフィ逆問題に対する複数の解を求める経験的サンプリング手法を提案する。
論文 参考訳（メタデータ） (2022-02-10T20:27:31Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Distributed optimization for nonrigid nano-tomography [0.40631409309544836]
本研究では,ナノスケールの試料の投影アライメント,アンワーピング,正規化を併用した共同解析器を提案する。
投影データの一貫性は、ファーンバックのアルゴリズムによって推定される密度の高い光流によって制御され、より少ないアーティファクトで鋭いサンプル再構成をもたらす。
論文 参考訳（メタデータ） (2020-07-11T19:22:43Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳（メタデータ） (2020-05-07T15:57:25Z)
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。