論文の概要: Spatially-Variant CNN-based Point Spread Function Estimation for Blind
Deconvolution and Depth Estimation in Optical Microscopy
- arxiv url: http://arxiv.org/abs/2010.04011v2
- Date: Tue, 13 Oct 2020 09:39:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 12:50:40.687026
- Title: Spatially-Variant CNN-based Point Spread Function Estimation for Blind
Deconvolution and Depth Estimation in Optical Microscopy
- Title（参考訳）: 光学顕微鏡におけるブラインドデコンボリューションと深さ推定のための空間変化型cnnに基づく点拡散関数推定
- Authors: Adrian Shajkofci, Michael Liebling
- Abstract要約: 薄めながら平らでない物体の光顕微鏡画像の解像度を向上する手法を提案する。
畳み込みニューラルネットワーク(CNN)を用いた空間変動点スプレッド関数(PSF)モデルのパラメータを推定する。
本手法は,理想条件下での2乗ピアソン相関係数0.99で画像自体からPSFパラメータを復元する。
- 参考スコア（独自算出の注目度）: 6.09170287691728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optical microscopy is an essential tool in biology and medicine. Imaging
thin, yet non-flat objects in a single shot (without relying on more
sophisticated sectioning setups) remains challenging as the shallow depth of
field that comes with high-resolution microscopes leads to unsharp image
regions and makes depth localization and quantitative image interpretation
difficult.
Here, we present a method that improves the resolution of light microscopy
images of such objects by locally estimating image distortion while jointly
estimating object distance to the focal plane. Specifically, we estimate the
parameters of a spatially-variant Point-Spread function (PSF) model using a
Convolutional Neural Network (CNN), which does not require instrument- or
object-specific calibration. Our method recovers PSF parameters from the image
itself with up to a squared Pearson correlation coefficient of 0.99 in ideal
conditions, while remaining robust to object rotation, illumination variations,
or photon noise. When the recovered PSFs are used with a spatially-variant and
regularized Richardson-Lucy deconvolution algorithm, we observed up to 2.1 dB
better signal-to-noise ratio compared to other blind deconvolution techniques.
Following microscope-specific calibration, we further demonstrate that the
recovered PSF model parameters permit estimating surface depth with a precision
of 2 micrometers and over an extended range when using engineered PSFs. Our
method opens up multiple possibilities for enhancing images of non-flat objects
with minimal need for a priori knowledge about the optical setup.
- Abstract（参考訳）: 光学顕微鏡は生物学や医学において必須の道具である。
高分解能顕微鏡によるフィールドの浅い深さは、画像領域を非シャープにし、深度の局在化と定量的な画像解釈を困難にするので、(より洗練された分断設定に頼ることなく)1ショットで撮影することは依然として困難である。
本稿では,焦点面への物体距離を共同で推定しながら,局所的な歪みを推定することにより,物体の光顕微鏡像の解像度を向上させる手法を提案する。
具体的には、楽器やオブジェクト固有の校正を必要としない畳み込みニューラルネットワーク(CNN)を用いて、空間変動点スプレッド関数(PSF)モデルのパラメータを推定する。
本手法は,物体回転,照明変動,光子雑音に頑健でありながら,理想条件下では最大0.99の正方形ピアソン相関係数を持つ画像からPSFパラメータを復元する。
得られたPSFを空間不変かつ正規化されたRichardson-Lucy復調アルゴリズムで使用すると、他のブラインド復調法と比較して最大2.1dBの信号-雑音比が向上する。
顕微鏡特異的キャリブレーションにより,psfモデルパラメータの復元により,2マイクロメートル以上の精度で表面深度を推定できることを示した。
提案手法は,光学的設定に関する事前知識を最小限に抑えつつ,非平坦物体の画像の強調を行う複数の可能性を開く。
関連論文リスト
- Fearless Luminance Adaptation: A Macro-Micro-Hierarchical Transformer
for Exposure Correction [65.5397271106534]
単一のニューラルネットワークは、すべての露光問題に対処することが難しい。
特に、コンボリューションは、極端に過度に露出した領域における忠実な色や詳細を復元する能力を妨げる。
本稿では,マクロマイクロ階層変換器を提案する。マクロマイクロ階層変換器は,長距離依存を捉えるマクロアテンション,局所特徴を抽出するマイクロアテンション,粗大な修正のための階層構造を提案する。
論文 参考訳（メタデータ） (2023-09-02T09:07:36Z) - Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。
提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
論文 参考訳（メタデータ） (2023-03-31T16:01:03Z) - Fluctuation-based deconvolution in fluorescence microscopy using
plug-and-play denoisers [2.236663830879273]
蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。
この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
論文 参考訳（メタデータ） (2023-03-20T15:43:52Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Frequency-Aware Self-Supervised Monocular Depth Estimation [41.97188738587212]
自己教師付き単眼深度推定モデルを改善するための2つの多目的手法を提案する。
本手法の高一般化性は,測光損失関数の基本的およびユビキタスな問題を解くことによって達成される。
我々は、解釈可能な解析で深度推定器を改善するために、初めてぼやけた画像を提案する。
論文 参考訳（メタデータ） (2022-10-11T14:30:26Z) - 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) - End-to-end Learning for Joint Depth and Image Reconstruction from
Diffracted Rotation [10.896567381206715]
回折回転から深度を学習する新しいエンド・ツー・エンド学習手法を提案する。
提案手法は, 単分子深度推定のタスクにおいて既存の手法よりもはるかに少ない複雑なモデルと少ないトレーニングデータを必要とする。
論文 参考訳（メタデータ） (2022-04-14T16:14:37Z) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳（メタデータ） (2021-04-07T12:00:38Z) - Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian
Photometric Stereo [61.6260594326246]
空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。
分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
論文 参考訳（メタデータ） (2021-03-22T18:06:58Z) - A learning-based view extrapolation method for axial super-resolution [52.748944517480155]
軸光界分解能は、再焦点によって異なる深さで特徴を区別する能力を指します。
せん断エピポーラ平面画像の軸体積から新しい視点を推定する学習に基づく手法を提案する。
論文 参考訳（メタデータ） (2021-03-11T07:22:13Z) - DeepFocus: a Few-Shot Microscope Slide Auto-Focus using a Sample
Invariant CNN-based Sharpness Function [6.09170287691728]
オートフォーカス(AF)法は、例えばタイムラプスを取得するために生体顕微鏡で広く用いられている。
現在のハードウェアベースの手法では、顕微鏡と画像ベースのアルゴリズムを変更する必要がある。
我々はMicro-Managerプラグインとして実装したAFメソッドであるDeepFocusを提案する。
論文 参考訳（メタデータ） (2020-01-02T23:29:11Z)
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。