論文の概要: Deep image prior for undersampling high-speed photoacoustic microscopy

• arxiv url: http://arxiv.org/abs/2010.12041v2
• Date: Wed, 7 Apr 2021 20:02:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 05:13:06.419246
• Title: Deep image prior for undersampling high-speed photoacoustic microscopy
• Title（参考訳）: 高速光音響顕微鏡の深部画像化
• Authors: Tri Vu, Anthony DiSpirito III, Daiwei Li, Zixuan Zhang, Xiaoyi Zhu, Maomao Chen, Laiming Jiang, Dong Zhang, Jianwen Luo, Yu Shrike Zhang, Qifa Zhou, Roarke Horstmeyer, and Junjie Yao
• Abstract要約: 光音響顕微鏡 (PAM) は光と音を組み合わせた新しいイメージング法である。 高速PAM技術は、広い視野での撮像速度を高めるために空間サンプリング密度(アンダーサンプリング)を犠牲にすることが多い。 アンダーサンプされたPAM画像の画質を向上させるために、ディープ・イメージ・プレロード(DIP)を提案する。
• 参考スコア（独自算出の注目度）: 14.15152499875691
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photoacoustic microscopy (PAM) is an emerging imaging method combining light and sound. However, limited by the laser's repetition rate, state-of-the-art high-speed PAM technology often sacrifices spatial sampling density (i.e., undersampling) for increased imaging speed over a large field-of-view. Deep learning (DL) methods have recently been used to improve sparsely sampled PAM images; however, these methods often require time-consuming pre-training and large training dataset with ground truth. Here, we propose the use of deep image prior (DIP) to improve the image quality of undersampled PAM images. Unlike other DL approaches, DIP requires neither pre-training nor fully-sampled ground truth, enabling its flexible and fast implementation on various imaging targets. Our results have demonstrated substantial improvement in PAM images with as few as 1.4$\%$ of the fully sampled pixels on high-speed PAM. Our approach outperforms interpolation, is competitive with pre-trained supervised DL method, and is readily translated to other high-speed, undersampling imaging modalities.
• Abstract（参考訳）: 光音響顕微鏡 (PAM) は光と音を組み合わせた新しいイメージング法である。 しかし、レーザーの繰り返し速度に制限されるため、最先端の高速PAM技術は広い視野での撮像速度を上げるために空間サンプリング密度(アンダーサンプリング)を犠牲にすることが多い。 深層学習(DL)法は、最近、スパースサンプリングされたPAM画像を改善するために使われてきたが、これらの手法は、しばしば時間を要する事前学習と大規模なトレーニングデータセットを必要とする。 本稿では,アンダーサンプされたPAM画像の画質向上にDeep Image prior (DIP) を用いることを提案する。 他のDLアプローチとは異なり、DIPは事前訓練も完全サンプリングも必要とせず、様々な撮像対象に対して柔軟で高速な実装を可能にする。 以上の結果から,高速なPAM画像上での完全サンプリングピクセルの1.4$\%程度で,PAM画像の大幅な改善が見られた。 本手法は補間性能に優れ,事前訓練したDL法と競合し,他の高速アンダーサンプリング画像に容易に変換できる。

関連論文リスト

• Accelerating Diffusion Sampling with Optimized Time Steps [69.21208434350567]
  拡散確率モデル(DPM)は高分解能画像合成において顕著な性能を示した。 彼らのサンプリング効率は、通常多くのサンプリングステップのため、依然として望まれている。 DPM用高次数値ODEソルバの最近の進歩により、サンプリングステップがはるかに少ない高品質な画像の生成が可能になった。
  論文  参考訳（メタデータ） (2024-02-27T10:13:30Z)
• Speeding up Photoacoustic Imaging using Diffusion Models [0.0]
  光音響顕微鏡(PAM)は、光学的および音響的イメージングを統合し、組織内の光学吸収成分を検出するための浸透深度を向上させる。 レーザーパルス繰り返し速度による速度制限により、計算手法の潜在的な役割は、PAMイメージングの加速において強調される。 PAM画像の高速化に拡散モデルを用いた,新しい高適応DiffPamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-14T11:34:27Z)
• Super-Resolution on Rotationally Scanned Photoacoustic Microscopy Images Incorporating Scanning Prior [12.947842858489516]
  光音響顕微鏡(PAM)画像は、光コントラストと音響分解能の利点を組み合わせた脳研究で広く利用されている。 走査速度と画像解像度の間にはトレードオフがあり、従来の走査と比較すると、回転走査は走査機構を最適化することで高速なPAMイメージングの好機となる。 本研究では,回転走査型PAMイメージングのための新しい高性能超解像フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-12T12:41:35Z)
• CDPMSR: Conditional Diffusion Probabilistic Models for Single Image Super-Resolution [91.56337748920662]
  拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。 単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。 本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
  論文  参考訳（メタデータ） (2023-02-14T15:13:33Z)
• High-Quality Real-Time Rendering Using Subpixel Sampling Reconstruction [20.431360489828975]
  我々は,サンプリングプロセスとそれに対応するデノイザ,サブピクセルサンプリング再構成(SSR)を高速化する新しいモンテカルロサンプリング戦略を提案する。 提案手法は,2K解像度でのリアルタイムレンダリングを実現するため,従来手法よりも品質を劣化させ,全体の時間コストを低減させる。
  論文  参考訳（メタデータ） (2023-01-03T10:43:22Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• 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)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• Photoacoustic Microscopy with Sparse Data Enabled by Convolutional Neural Networks for Fast Imaging [0.9786690381850356]
  光音響顕微鏡(PAM)は近年,バイオメディカルイメージング技術として期待されている。 サンプリング密度の低減は、画像品質の犠牲となる画像取得時間を自然に短縮することができる。 本稿では,畳み込みニューラルネットワーク(CNN)を用いたスパースPAM画像の品質向上手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T05:49:32Z)
• Reconstructing undersampled photoacoustic microscopy images using deep learning [11.74890470096844]
  アンサンプされたPAM画像の再構成にディープラーニングの原理を応用した新しい手法を提案する。 この結果から,PAM画像の再現性能は,元のピクセルの2%に満たないという結果が得られた。
  論文  参考訳（メタデータ） (2020-05-30T12:39:52Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。