論文の概要: Practical sensorless aberration estimation for 3D microscopy with deep learning

• arxiv url: http://arxiv.org/abs/2006.01804v2
• Date: Sun, 5 Jul 2020 19:17:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 01:06:33.666640
• Title: Practical sensorless aberration estimation for 3D microscopy with deep learning
• Title（参考訳）: ディープラーニングを用いた三次元顕微鏡のセンサレス収差推定
• Authors: Debayan Saha, Uwe Schmidt, Qinrong Zhang, Aurelien Barbotin, Qi Hu, Na Ji, Martin J. Booth, Martin Weigert, Eugene W. Myers
• Abstract要約: シミュレーションデータのみに基づいてトレーニングしたニューラルネットワークが,実実験画像の正確な予測を行うことを示す。 また、データ要求に対する個々の収差の予測可能性についても検討し、波面の対称性が重要な役割を果たすことを発見した。
• 参考スコア（独自算出の注目度）: 1.6662996732774467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimation of optical aberrations from volumetric intensity images is a key step in sensorless adaptive optics for 3D microscopy. Recent approaches based on deep learning promise accurate results at fast processing speeds. However, collecting ground truth microscopy data for training the network is typically very difficult or even impossible thereby limiting this approach in practice. Here, we demonstrate that neural networks trained only on simulated data yield accurate predictions for real experimental images. We validate our approach on simulated and experimental datasets acquired with two different microscopy modalities, and also compare the results to non-learned methods. Additionally, we study the predictability of individual aberrations with respect to their data requirements and find that the symmetry of the wavefront plays a crucial role. Finally, we make our implementation freely available as open source software in Python.
• Abstract（参考訳）: 体積強度画像からの光収差の推定は3次元顕微鏡におけるセンサレス適応光学の重要なステップである。 ディープラーニングに基づく最近のアプローチでは、高速処理で正確な結果が得られる。 しかし、ネットワークをトレーニングするための地上の真理顕微鏡データを集めることは、通常非常に難しいか、あるいは不可能である。 本稿では,シミュレーションデータのみをトレーニングしたニューラルネットワークが実際の実験画像の正確な予測をもたらすことを示す。 2つの異なる顕微鏡法で得られたシミュレーションおよび実験データセットに対するアプローチを検証するとともに,結果を学習しない手法と比較する。 さらに,データ要求に対する個々の収差の予測可能性を調べ,ウェーブフロントの対称性が重要な役割を担っていることを示す。 最後に、Pythonのオープンソースソフトウェアとして実装を無償で提供します。

関連論文リスト

• Direct Zernike Coefficient Prediction from Point Spread Functions and Extended Images using Deep Learning [36.136619420474766]
  既存の適応光学系は、収差を補正し、画像を改善するために反復探索アルゴリズムに依存している。 本研究は、光収差を特徴付ける畳み込みニューラルネットワークの応用を実証する。
  論文  参考訳（メタデータ） (2024-04-23T17:03:53Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Addressing Data Scarcity in Optical Matrix Multiplier Modeling Using Transfer Learning [0.0]
  本稿では,データ不足に対処するためにトランスファーラーニング(transfer learning)を用いて実験的検討を行った。 提案手法では,より精度の低い解析モデルから生成された合成データを用いて,モデルの事前学習を行う。 3x3フォトニックチップで実装された行列重みに対する1dBのルート平均二乗誤差を、利用可能なデータの25%だけを用いて達成する。
  論文  参考訳（メタデータ） (2023-08-10T07:33:00Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Estimation of Optical Aberrations in 3D Microscopic Bioimages [1.588193964339148]
  生体試料の3次元画像に使用可能なPhaseNetの拡張について述べる。 我々は、Richardson-Lucyデコンボリューションを通じて、Pythonベースのイメージの復元を追加します。 予測されたPSFとのデコンボリューションは, 模擬収差を除去するだけでなく, 未知のPSFをともなう実際の生顕微鏡画像の品質を向上させることができる。
  論文  参考訳（メタデータ） (2022-09-16T13:22:25Z)
• Camera Distortion-aware 3D Human Pose Estimation in Video with Optimization-based Meta-Learning [23.200130129530653]
  歪みのないデータセットでトレーニングされた既存の3次元ポーズ推定アルゴリズムは、特定のカメラ歪みのある新しいシナリオに適用した場合、パフォーマンス低下を被る。 本研究では, 歪み環境に迅速に適応できる簡易かつ効果的な3次元ポーズ推定モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-30T01:35:04Z)
• 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)
• Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
  カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。 ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。 我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
  論文  参考訳（メタデータ） (2021-04-09T02:58:59Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)
• Extracting dispersion curves from ambient noise correlations using deep learning [1.0237120900821557]
  本研究では,表面波の分散曲線の位相を分類する機械学習手法を提案する。 受信機のアレイで観測された表面の標準FTAN解析を画像に変換する。 我々は、教師付き学習目標を備えた畳み込みニューラルネットワーク(U-net)アーキテクチャを使用し、伝達学習を取り入れる。
  論文  参考訳（メタデータ） (2020-02-05T23:41:12Z)

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。