論文の概要: Real-time 3D Nanoscale Coherent Imaging via Physics-aware Deep Learning
- arxiv url: http://arxiv.org/abs/2006.09441v1
- Date: Tue, 16 Jun 2020 18:35:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 21:49:47.329884
- Title: Real-time 3D Nanoscale Coherent Imaging via Physics-aware Deep Learning
- Title（参考訳）: 物理アウェア深層学習によるリアルタイム3次元ナノスケールコヒーレントイメージング
- Authors: Henry Chan, Youssef S.G. Nashed, Saugat Kandel, Stephan Hruszkewycz,
Subramanian Sankaranarayanan, Ross J. Harder, Mathew J. Cherukara
- Abstract要約: 深層畳み込みニューラルネットワークと微分プログラミングフレームワークである3D-CDI-NNを導入し,3次元構造とひずみを予測する。
私たちのネットワークは、複数の面で「物理認識」するように設計されています。
我々の統合機械学習および微分プログラミングソリューションは、他のアプリケーション領域における逆問題に広く適用できます。
- 参考スコア（独自算出の注目度）: 0.7664249650622356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phase retrieval, the problem of recovering lost phase information from
measured intensity alone, is an inverse problem that is widely faced in various
imaging modalities ranging from astronomy to nanoscale imaging. The current
process of phase recovery is iterative in nature. As a result, the image
formation is time-consuming and computationally expensive, precluding real-time
imaging. Here, we use 3D nanoscale X-ray imaging as a representative example to
develop a deep learning model to address this phase retrieval problem. We
introduce 3D-CDI-NN, a deep convolutional neural network and differential
programming framework trained to predict 3D structure and strain solely from
input 3D X-ray coherent scattering data. Our networks are designed to be
"physics-aware" in multiple aspects; in that the physics of x-ray scattering
process is explicitly enforced in the training of the network, and the training
data are drawn from atomistic simulations that are representative of the
physics of the material. We further refine the neural network prediction
through a physics-based optimization procedure to enable maximum accuracy at
lowest computational cost. 3D-CDI-NN can invert a 3D coherent diffraction
pattern to real-space structure and strain hundreds of times faster than
traditional iterative phase retrieval methods, with negligible loss in
accuracy. Our integrated machine learning and differential programming solution
to the phase retrieval problem is broadly applicable across inverse problems in
other application areas.
- Abstract（参考訳）: 位相検索は、測定強度だけで失われた位相情報を復元する問題であり、天文学からナノスケールイメージングまで様々な画像モダリティで広く直面している逆問題である。
現在の段階回復のプロセスは、本質的に反復的です。
その結果、画像形成には時間がかかり、計算コストがかかるようになり、リアルタイムイメージングが先立つ。
本稿では3次元ナノスケールX線イメージングを代表例として,この位相探索問題に対処する深層学習モデルを開発する。
本稿では,入力3次元X線コヒーレント散乱データからのみ3次元構造とひずみを予測するために訓練された,深層畳み込みニューラルネットワークと微分プログラミングフレームワークである3D-CDI-NNを紹介する。
x線散乱過程の物理はネットワークのトレーニングにおいて明示的に強制され、トレーニングデータは物質の物理を代表する原子論的シミュレーションから引き出される。
物理に基づく最適化手法により、ニューラルネットワークの予測をさらに洗練し、最小計算コストで最大精度を実現する。
3D-CDI-NNは、3Dコヒーレント回折パターンを実空間構造に逆転させ、従来の反復位相探索法よりも数百倍高速で精度を損なうことができる。
位相探索問題に対する我々の統合機械学習および微分プログラミングソリューションは、他の応用領域における逆問題に広く適用できる。
関連論文リスト
- Efficient Physics-Based Learned Reconstruction Methods for Real-Time 3D
Near-Field MIMO Radar Imaging [0.0]
近距離場多重出力多重出力レーダイメージングシステム(MIMO)は近年注目されている。
本稿では,リアルタイム近接場イメージングのための非定位深層学習に基づく新しい再構成手法を提案する。
ゴールは、設定時の計算コストを低くして、高画質を実現することである。
論文 参考訳（メタデータ） (2023-12-28T11:05:36Z) - Enhancing Neural Rendering Methods with Image Augmentations [59.00067936686825]
本研究では,3次元シーンの学習型ニューラルレンダリング法(NRM)における画像拡張の利用について検討した。
トレーニング中に画像拡張を導入すると、幾何学的および測光的不整合などの課題が生じる。
本実験は,NRMの学習において,光学的品質向上や表面再構成など,拡張を取り入れることの利点を実証するものである。
論文 参考訳（メタデータ） (2023-06-15T07:18:27Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Optical Diffraction Tomography based on 3D Physics-Inspired Neural
Network (PINN) [0.1310865248866973]
光回折トモグラフィー(ODT)は半透明試料の屈折率(RI)の3次元再構成に使用される新しい3Dイメージング技術である。
ボルンやリトフ近似のような様々な試料のホログラフィー検出に基づいて、3D RIを再構成する様々な逆モデルが提案されている。
本稿では,3次元ニューラルネットワーク(NN)を応用した別のアプローチを提案する。このNNは,光波伝搬の物理理論に基づく物理モデルに基づくコスト関数を用いて訓練する。
論文 参考訳（メタデータ） (2022-06-10T17:19:04Z) - 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) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳（メタデータ） (2021-10-14T23:05:47Z) - AutoPhaseNN: Unsupervised Physics-aware Deep Learning of 3D Nanoscale
Coherent Imaging [5.745058078090997]
位相探索の問題は天文学からナノスケールイメージングまで様々なイメージング手法を基礎にしている。
伝統的な位相探索法は本質的に反復的であり、計算に高価で時間を要する。
DLモデルは、学習前の反復位相検索または測定強度のみからの位相情報を置き換える。
論文 参考訳（メタデータ） (2021-09-28T21:16:34Z) - 3D Scattering Tomography by Deep Learning with Architecture Tailored to
Cloud Fields [12.139158398361866]
本論文では,マルチビュー画像から散乱体積を3次元再構成する計算トモグラフィ用ディープニューラルネットワークである3DeepCTを提案する。
また, 3DeepCTは, 計算時間の大幅な改善とともに, 物理に基づく逆散乱法よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2020-12-10T20:31:44Z) - 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) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z) - 4D Spatio-Temporal Convolutional Networks for Object Position Estimation
in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。
我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文 参考訳（メタデータ） (2020-07-02T12:02:20Z)
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。