論文の概要: Robust Phase Unwrapping via Deep Image Prior for Quantitative Phase Imaging

• arxiv url: http://arxiv.org/abs/2009.11554v1
• Date: Thu, 24 Sep 2020 08:56:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 05:23:31.200889
• Title: Robust Phase Unwrapping via Deep Image Prior for Quantitative Phase Imaging
• Title（参考訳）: 定量的位相イメージングに先立つ深部画像によるロバスト位相アンラッピング
• Authors: Fangshu Yang, Thanh-an Pham, Nathalie Brandenberg, Matthias P. Lutolf, Jianwei Ma and Michael Unser
• Abstract要約: 位相アンラッピング(英: phase unwrapping)は、より情報的な画像を復元する計算過程である。 トレーニングセットを一切必要としないディープラーニングベースの手法を提案する。 提案手法は実データとシミュレーションデータの両方の複雑なサンプルの位相を忠実に復元することを示した。
• 参考スコア（独自算出の注目度）: 21.054830699283443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative phase imaging (QPI) is an emerging label-free technique that produces images containing morphological and dynamical information without contrast agents. Unfortunately, the phase is wrapped in most imaging system. Phase unwrapping is the computational process that recovers a more informative image. It is particularly challenging with thick and complex samples such as organoids. Recent works that rely on supervised training show that deep learning is a powerful method to unwrap the phase; however, supervised approaches require large and representative datasets which are difficult to obtain for complex biological samples. Inspired by the concept of deep image priors, we propose a deep-learning-based method that does not need any training set. Our framework relies on an untrained convolutional neural network to accurately unwrap the phase while ensuring the consistency of the measurements. We experimentally demonstrate that the proposed method faithfully recovers the phase of complex samples on both real and simulated data. Our work paves the way to reliable phase imaging of thick and complex samples with QPI.
• Abstract（参考訳）: 定量的位相イメージング(QPI)は、コントラストエージェントを使わずに形態的および動的情報を含む画像を生成する新しいラベルフリー技術である。 残念ながら、このフェーズはほとんどのイメージングシステムでラップされている。 位相アンラッピングは、より情報的なイメージを復元する計算過程である。 特に有機体のような厚く複雑な試料では困難である。 近年、教師付きトレーニングに依存する研究は、ディープラーニングが位相を解き放つ強力な方法であることを示しているが、教師付きアプローチでは、複雑な生物学的サンプルを得るのが難しい大規模かつ代表的なデータセットが必要となる。 深部画像優先の概念に触発されて,トレーニングセットを必要としない深部学習に基づく手法を提案する。 我々のフレームワークは、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を使って、測定の一貫性を確保しながら、正確に位相を解き放つ。 提案手法は実データとシミュレーションデータの両方の複雑なサンプルの位相を忠実に復元することを示した。 我々の研究は、QPIを用いた厚みと複雑な試料の信頼性の高い位相イメージングへの道を開いた。

関連論文リスト

• PtychoFormer: A Transformer-based Model for Ptychographic Phase Retrieval [9.425754476649796]
  データ駆動単発写真位相検索のための階層型トランスフォーマーモデルを提案する。 本モデルでは, 細かな走査回折パターンに対する耐性を示し, 画像の再生速度は, 拡張された胸部反復エンジン (ePIE) の最大3600倍に向上した。
  論文  参考訳（メタデータ） (2024-10-22T19:26:05Z)
• Experimental Validation of Ultrasound Beamforming with End-to-End Deep Learning for Single Plane Wave Imaging [0.810120481608724]
  超高速超音波イメージングは、多くの集束波ではなく、異なるビームステアリング角度で複数の平面波の1つまたは1つの組み合わせで媒体を照射する。 深層学習アプローチは、特に単一平面波のイメージングにおいて、この欠点を軽減するために提案されている。 本稿では,従来の画像形成手法を取り入れたデータ・ツー・イメージ・ネットワークを,ネットワークアーキテクチャにおける識別可能なレイヤとして検討する。
  論文  参考訳（メタデータ） (2024-04-22T13:58:36Z)
• Coarse-to-Fine Latent Diffusion for Pose-Guided Person Image Synthesis [65.7968515029306]
  PGPIS(Pose-Guided Person Image Synthesis)のためのCFLD(Coarse-to-Fine Latent Diffusion)法を提案する。 認識修正デコーダは、学習可能なクエリの集合を段階的に洗練し、粗いプロンプトとして人物画像の意味的理解を抽出するように設計されている。
  論文  参考訳（メタデータ） (2024-02-28T06:07:07Z)
• Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
  本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
  論文  参考訳（メタデータ） (2022-11-22T18:59:50Z)
• Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
  そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。 提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
  論文  参考訳（メタデータ） (2022-08-05T19:05:16Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• 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)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• Fast ultrasonic imaging using end-to-end deep learning [1.0266286487433585]
  ディープニューラルネットワーク(DNN)は、データ前処理とイメージ後処理のステップを別々に使用する。 エンド・ツー・エンドのトレーニングを実現するために,3つのステップをすべて統合した新しいディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-04T13:53:46Z)
• 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)

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。