論文の概要: Deep DIH : Statistically Inferred Reconstruction of Digital In-Line Holography by Deep Learning

• arxiv url: http://arxiv.org/abs/2004.12231v2
• Date: Wed, 24 Jun 2020 22:08:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 21:43:50.066497
• Title: Deep DIH : Statistically Inferred Reconstruction of Digital In-Line Holography by Deep Learning
• Title（参考訳）: Deep DIH : 深層学習によるディジタルインラインホログラフィの統計的再構成
• Authors: Huayu Li, Xiwen Chen, Haiyu Wu, Zaoyi Chi, Christopher Mann, and Abolfazl Razi
• Abstract要約: デジタルインラインホログラフィーは、顕微鏡オブジェクトの2次元ホログラムから3次元画像を再構成するのに一般的に用いられる。 本稿では,シングルショットホログラム再構成のためのオートエンコーダに基づくディープラーニングアーキテクチャの実装を提案する。
• 参考スコア（独自算出の注目度）: 1.4619386068190985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital in-line holography is commonly used to reconstruct 3D images from 2D holograms for microscopic objects. One of the technical challenges that arise in the signal processing stage is removing the twin image that is caused by the phase-conjugate wavefront from the recorded holograms. Twin image removal is typically formulated as a non-linear inverse problem due to the irreversible scattering process when generating the hologram. Recently, end-to-end deep learning-based methods have been utilized to reconstruct the object wavefront (as a surrogate for the 3D structure of the object) directly from a single-shot in-line digital hologram. However, massive data pairs are required to train deep learning models for acceptable reconstruction precision. In contrast to typical image processing problems, well-curated datasets for in-line digital holography does not exist. Also, the trained model highly influenced by the morphological properties of the object and hence can vary for different applications. Therefore, data collection can be prohibitively cumbersome in practice as a major hindrance to using deep learning for digital holography. In this paper, we proposed a novel implementation of autoencoder-based deep learning architecture for single-shot hologram reconstruction solely based on the current sample without the need for massive datasets to train the model. The simulations results demonstrate the superior performance of the proposed method compared to the state of the art single-shot compressive digital in-line hologram reconstruction method.
• Abstract（参考訳）: デジタルインラインホログラフィーは、顕微鏡オブジェクトの2次元ホログラムから3次元画像を再構成するのに一般的に用いられる。 信号処理段階で生じる技術的な課題の1つは、記録されたホログラムから位相共役波面によって引き起こされる2つの画像を取り除くことである。 双対像の除去は通常、ホログラムを生成する際の可逆散乱過程のために非線形逆問題として定式化される。 近年,単発インラインホログラムから直接物体波面(物体の3次元構造の代理として)を再構築するために,エンドツーエンドの深層学習法が用いられている。 しかし、大規模なデータペアは、再現精度を許容する深層学習モデルを訓練するために必要である。 典型的な画像処理問題とは対照的に、インラインデジタルホログラフィのための正確なデータセットは存在しない。 また、トレーニングされたモデルは物体の形態的特性の影響を強く受けており、異なる用途で異なることができる。 したがって、デジタルホログラフィにディープラーニングを使う大きな障害として、データ収集は実際、非常に面倒である可能性がある。 本稿では,大規模データセットを必要とせず,現在のサンプルのみに基づく単発ホログラム再構成のための,オートエンコーダベースのディープラーニングアーキテクチャの新たな実装を提案する。 シミュレーションの結果, 単発圧縮デジタルインラインホログラム再構成法と比較して, 提案手法の優れた性能を示した。

関連論文リスト

• OAH-Net: A Deep Neural Network for Hologram Reconstruction of Off-axis Digital Holographic Microscope [5.835347176172883]
  本稿では, 深層学習とオフ軸ホログラフィの物理原理を融合した新しい再構成手法を提案する。 我々のオフ軸ホログラムネットワーク(OAH-Net)は、ハードウェアに起因する測定誤差範囲内にある誤差のある位相および振幅画像を取得する。 この能力は、生物学的および医学の両方でオフ軸ホログラフィーの応用をさらに拡大する。
  論文  参考訳（メタデータ） (2024-10-17T14:25:18Z)
• Single-shot reconstruction of three-dimensional morphology of biological cells in digital holographic microscopy using a physics-driven neural network [6.49455647840014]
  再構成3次元形態の単一ショットのための新しい深層学習モデルMorpHoloNetを提案する。 MorpHoloNetは、センサ面上の模擬ホログラムと入力ホログラムの間の損失を最小限にすることで最適化される。 単発ホログラムから3次元複素光場と試験試料の3次元形態を直接再構成することができる。
  論文  参考訳（メタデータ） (2024-09-30T07:15:36Z)
• A Deep Learning Method for Simultaneous Denoising and Missing Wedge Reconstruction in Cryogenic Electron Tomography [23.75819355889607]
  本稿では,DeepDeWedgeと呼ばれるウェッジ再構築を同時に行う深層学習手法を提案する。 このアルゴリズムは、基礎となる真理データを必要としないため、ニューラルネットワークを自己教師付きロスを用いて2次元投影に適合させることに基づいている。
  論文  参考訳（メタデータ） (2023-11-09T17:34:57Z)
• Towards Accurate Reconstruction of 3D Scene Shape from A Single Monocular Image [91.71077190961688]
  まず、未知のスケールまで深さを予測し、単一の単眼画像からシフトする2段階のフレームワークを提案する。 次に、3Dポイントの雲のデータを利用して、奥行きの変化とカメラの焦点距離を予測し、3Dシーンの形状を復元します。 我々は9つの未知のデータセットで深度モデルを検証し、ゼロショット評価で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-28T16:20:14Z)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
  カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。 表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
  論文  参考訳（メタデータ） (2022-05-14T05:35:35Z)
• Advantage of Machine Learning over Maximum Likelihood in Limited-Angle Low-Photon X-Ray Tomography [0.0]
  再建過程における事前分布を決定・適用するために,深層ニューラルネットワークを導入する。 私たちのニューラルネットワークは、合成トレーニングサンプルから直接、事前を学習します。 プロジェクション角と光子予算が限られている場合, 深部生成モデルによる先行モデルにより, IC再建の精度が劇的に向上することが実証された。
  論文  参考訳（メタデータ） (2021-11-15T16:24:12Z)
• Learning to Recover 3D Scene Shape from a Single Image [98.20106822614392]
  まず,未知のスケールまで深さを予測し,単一の単眼画像からシフトする2段階フレームワークを提案する。 そして、3dポイントクラウドエンコーダを使って深度シフトと焦点距離を予測し、リアルな3dシーンの形状を復元します。
  論文  参考訳（メタデータ） (2020-12-17T02:35:13Z)
• 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)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。