論文の概要: Classification and reconstruction of spatially overlapping phase images using diffractive optical networks

• arxiv url: http://arxiv.org/abs/2108.07977v1
• Date: Wed, 18 Aug 2021 05:15:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 14:25:41.233973
• Title: Classification and reconstruction of spatially overlapping phase images using diffractive optical networks
• Title（参考訳）: 回折光ネットワークを用いた空間重なり位相画像の分類と再構成
• Authors: Deniz Mengu, Muhammed Veli, Yair Rivenson, Aydogan Ozcan
• Abstract要約: 回折光学ネットワークは、光が入力から出力面に伝播するにつれて、波動光学と深層学習を統合し、所定の機械学習または計算画像タスクを全光学的に計算する。 タスク固有のトレーニングプロセスを通じて、拡散型ネットワークは、入力時にランダムに選択された空間的に重なり合った2つの異なる位相像を全光学的かつ同時に分類できることを示す。 重なり合う位相オブジェクトの完全な光学的分類に加えて、浅い電子ニューラルネットワークに基づく位相画像の再構成を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffractive optical networks unify wave optics and deep learning to all-optically compute a given machine learning or computational imaging task as the light propagates from the input to the output plane. Here, we report the design of diffractive optical networks for the classification and reconstruction of spatially overlapping, phase-encoded objects. When two different phase-only objects spatially overlap, the individual object functions are perturbed since their phase patterns are summed up. The retrieval of the underlying phase images from solely the overlapping phase distribution presents a challenging problem, the solution of which is generally not unique. We show that through a task-specific training process, passive diffractive networks composed of successive transmissive layers can all-optically and simultaneously classify two different randomly-selected, spatially overlapping phase images at the input. After trained with ~550 million unique combinations of phase-encoded handwritten digits from the MNIST dataset, our blind testing results reveal that the diffractive network achieves an accuracy of >85.8% for all-optical classification of two overlapping phase images of new handwritten digits. In addition to all-optical classification of overlapping phase objects, we also demonstrate the reconstruction of these phase images based on a shallow electronic neural network that uses the highly compressed output of the diffractive network as its input (with e.g., ~20-65 times less number of pixels) to rapidly reconstruct both of the phase images, despite their spatial overlap and related phase ambiguity. The presented phase image classification and reconstruction framework might find applications in e.g., computational imaging, microscopy and quantitative phase imaging fields.
• Abstract（参考訳）: 回折光学ネットワークは、光が入力から出力面に伝播するにつれて、波動光学と深層学習を統合し、所定の機械学習または計算画像タスクを全光学的に計算する。 本稿では,空間重複位相符号化物体の分類と再構成のための回折光ネットワークの設計について報告する。 2つの異なる位相のみの物体が空間的に重なり合うと、個々の対象関数は位相パターンが総和されるので摂動する。 重なり合う位相分布のみから基底となる位相像を検索することは難題であり、その解は一般に一意的ではない。 タスク固有のトレーニングプロセスを通じて,連続した透過層からなるパッシブ回折ネットワークは,入力時に2つの異なるランダム選択された位相画像を同時に分類できることを示す。 MNISTデータセットから5億5000万の位相符号化された手書き文字のユニークな組み合わせを訓練した結果、新しい手書き文字の2つの重ね合わせの位相画像の全光学的分類において、回折ネットワークが85.8%の精度で達成できることが判明した。 重なり合う位相オブジェクトの完全な光学的分類に加えて、これらの位相画像は、空間的重複と関連する位相あいまいさにもかかわらず、位相画像の両方を高速に再構成するために、拡散性ネットワークの高度に圧縮された出力(例えば、20〜65倍のピクセル数)を入力として使用する浅い電子ニューラルネットワークに基づいて再構成される。 提示された位相画像分類および再構成フレームワークは、例えば計算画像、顕微鏡、定量的位相画像分野に応用される可能性がある。

関連論文リスト

• Spatial-frequency Dual-Domain Feature Fusion Network for Low-Light Remote Sensing Image Enhancement [49.15531684596958]
  低照度リモートセンシング画像強調のためのDFFN(Dual-Domain Feature Fusion Network)を提案する。 第1フェーズは振幅情報を学習して画像輝度を復元し、第2フェーズは位相情報を学習して詳細を洗練させる。 我々は、現在の暗光リモートセンシング画像強調におけるデータセットの欠如に対応するために、2つの暗光リモートセンシングデータセットを構築した。
  論文  参考訳（メタデータ） (2024-04-26T13:21:31Z)
• A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [55.748186000425996]
  最近の進歩は、拡散モデルが高品質な画像を生成することを示している。 我々はこの現象を階層的なデータ生成モデルで研究する。 本分析は拡散モデルにおける時間とスケールの関係を特徴付ける。
  論文  参考訳（メタデータ） (2024-02-26T19:52:33Z)
• Image segmentation with traveling waves in an exactly solvable recurrent neural network [71.74150501418039]
  繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。 本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。 次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
  論文  参考訳（メタデータ） (2023-11-28T16:46:44Z)
• Time-lapse image classification using a diffractive neural network [0.0]
  回折ネットワークを用いたタイムラプス画像分類方式を初めて示す。 CIFAR-10データセットからの物体の光学的分類におけるブラインドテスト精度は62.03%である。 これは、これまで1つの回折ネットワークを用いて達成された最も高い推測精度を構成する。
  論文  参考訳（メタデータ） (2022-08-23T08:16:30Z)
• All-optical image classification through unknown random diffusers using a single-pixel diffractive network [13.7472825798265]
  ランダムで未知の散乱媒体の背後にある物体の分類は、計算画像とマシンビジョンフィールドの難しいタスクをセットする。 近年の深層学習に基づくアプローチは、画像センサによって収集されたディフューザ歪みパターンを用いた物体の分類を実証した。 本稿では,1画素で検出されたブロードバンド照明を用いて未知の物体をランダムな位相拡散器で直接分類する全光学プロセッサを提案する。
  論文  参考訳（メタデータ） (2022-08-08T08:26:08Z)
• Unfolding-Aided Bootstrapped Phase Retrieval in Optical Imaging [24.59954532409386]
  光画像における位相検索は、位相のないデータからの複素信号の回復を指す。 モデル駆動型ネットワークやディープ・アンフォールディングのハイブリッドアプローチは、効果的な代替手段として現れている。 本稿では, 近距離, 中間域, 遠距離領域にかかわらず, ブートストラップによる深部展開のアルゴリズムと応用について概説する。
  論文  参考訳（メタデータ） (2022-03-03T13:00:07Z)
• Deep Iterative Phase Retrieval for Ptychography [13.49645012479288]
  物体を回折パターンから再構成するには、逆フーリエ変換を計算しなければならない。 本研究では,複数の重なり合う回折画像から物体を再構成する,回折イメージングのサブフィールドであるptychographyについて考察する。 本稿では,既存の反復位相探索アルゴリズムをニューラルネットワークで拡張し,各繰り返しの結果を精査する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-17T09:13:35Z)
• Diffractive all-optical computing for quantitative phase imaging [0.0]
  物体の定量的位相像を合成できる回折QPIネットワークを実証する。 微分QPIネットワーク(diffractive QPI network)は、位相-強度変換を定量的に行うために設計された、特殊な全光学プロセッサである。
  論文  参考訳（メタデータ） (2022-01-22T05:28:44Z)
• Learning optical flow from still images [53.295332513139925]
  我々は,容易に利用可能な単一の実画像から,高精度な光学的フローアノテーションを迅速かつ多量に生成するフレームワークを提案する。 既知の動きベクトルと回転角を持つ再構成された環境でカメラを仮想的に移動させる。 我々のデータでトレーニングすると、最先端の光フローネットワークは、実データを見るのに優れた一般化を実現する。
  論文  参考訳（メタデータ） (2021-04-08T17:59:58Z)
• 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)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)

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。