論文の概要: Fast and Light-Weight Network for Single Frame Structured Illumination Microscopy Super-Resolution

• arxiv url: http://arxiv.org/abs/2111.09103v1
• Date: Wed, 17 Nov 2021 13:39:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-18 15:23:23.076239
• Title: Fast and Light-Weight Network for Single Frame Structured Illumination Microscopy Super-Resolution
• Title（参考訳）: 単一フレーム構造照明顕微鏡超解像のための高速軽量ネットワーク
• Authors: Xi Cheng, Jun Li, Qiang Dai, Zhenyong Fu, Jian Yang
• Abstract要約: 深層学習に基づく単一フレーム構造照明顕微鏡(SF-SIM)を提案する。 提案手法は, 従来のSIM法に比べてほぼ14倍高速である。
• 参考スコア（独自算出の注目度）: 22.953512091536663
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Structured illumination microscopy (SIM) is an important super-resolution based microscopy technique that breaks the diffraction limit and enhances optical microscopy systems. With the development of biology and medical engineering, there is a high demand for real-time and robust SIM imaging under extreme low light and short exposure environments. Existing SIM techniques typically require multiple structured illumination frames to produce a high-resolution image. In this paper, we propose a single-frame structured illumination microscopy (SF-SIM) based on deep learning. Our SF-SIM only needs one shot of a structured illumination frame and generates similar results compared with the traditional SIM systems that typically require 15 shots. In our SF-SIM, we propose a noise estimator which can effectively suppress the noise in the image and enable our method to work under the low light and short exposure environment, without the need for stacking multiple frames for non-local denoising. We also design a bandpass attention module that makes our deep network more sensitive to the change of frequency and enhances the imaging quality. Our proposed SF-SIM is almost 14 times faster than traditional SIM methods when achieving similar results. Therefore, our method is significantly valuable for the development of microbiology and medicine.
• Abstract（参考訳）: 構造照明顕微鏡 (structuredluminumination microscope, sim) は、回折限界を破って光学顕微鏡システムを強化する重要な超分解能顕微鏡技術である。 生物学・医学工学の発展に伴い、極低照度・短露光環境下でのリアルタイム・堅牢なSIMイメージングの需要が高まっている。 既存のsim技術は通常、高解像度画像を生成するために複数の構造化照明フレームを必要とする。 本稿では,深層学習に基づく単一フレーム構造照明顕微鏡(SF-SIM)を提案する。 私たちのSF-SIMは、構造された照明フレームの1ショットしか必要とせず、通常15ショットを必要とする従来のSIMシステムと同じような結果を生成する。 sf-simでは、画像中のノイズを効果的に抑制し、非局所的なノイズ処理のために複数のフレームを積み重ねる必要なしに、低光・短露光環境下での動作を可能にするノイズ推定器を提案する。 また,バンドパスアテンションモジュールも設計し,周波数変化に対するネットワークの感度を高め,画像品質を向上させる。 提案するSF-SIMは, 従来のSIM法よりも14倍高速である。 したがって,本手法は微生物学・医学の発展に極めて有用である。

関連論文リスト

• Enhanced Confocal Laser Scanning Microscopy with Adaptive Physics Informed Deep Autoencoders [0.0]
  共焦点レーザー走査顕微鏡の限界に対処する物理インフォームド・ディープラーニング・フレームワークを提案する。 このモデルは、畳み込み層と転置畳み込み層を用いて、ノイズの多い入力から高忠実度画像を再構成する。
  論文  参考訳（メタデータ） (2025-01-24T18:32:34Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Hybrid-Supervised Dual-Search: Leveraging Automatic Learning for Loss-free Multi-Exposure Image Fusion [60.221404321514086]
  マルチ露光画像融合(MEF)は、様々な露光レベルを表すデジタルイメージングの限界に対処するための重要な解決策である。 本稿では、ネットワーク構造と損失関数の両方を自動設計するための二段階最適化探索方式であるHSDS-MEFと呼ばれるMEFのためのハイブリッドスーパービジョンデュアルサーチ手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T08:07:26Z)
• 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)
• Spatio-temporal Vision Transformer for Super-resolution Microscopy [2.8348950186890467]
  構造照明顕微鏡(Structured illumination microscopy, SIM)は、光学的超解像技術であり、回折限界を超えるライブセルイメージングを可能にする。 シフトした3次元ウィンドウマルチヘッドアテンションを用いたトランスフォーマーベースの新しい再構成手法 VSR-SIM を提案する。 SIMの時間分解能を9倍に向上させるローリングSIM画像と呼ばれるVSR-SIMのユースケースを実演する。
  論文  参考訳（メタデータ） (2022-02-28T19:01:10Z)
• Subspace modeling for fast and high-sensitivity X-ray chemical imaging [4.062272647963248]
  TXM-XANESイメージング技術は、マルチエネルギーのX線で一連の顕微鏡画像を取得して化学マップを得るという、新たなツールである。 高速かつ高感度なケミカルイメージングを実現するため,画像品質向上のためのシンプルで頑健なデノナイジング手法を提案する。
  論文  参考訳（メタデータ） (2022-01-01T23:26:06Z)
• Burst Imaging for Light-Constrained Structure-From-Motion [4.125187280299246]
  低光環境下で得られた画像から3次元再構成を支援する画像処理技術を開発した。 バースト写真に基づく本手法は,短時間露光画像のバースト内における画像登録に直接的手法を用いる。 本手法は,低光環境下でのロボットの動作を可能にするための重要なステップであり,地中鉱山や夜間作業などの環境におけるロボットの動作に応用できる可能性がある。
  論文  参考訳（メタデータ） (2021-08-23T02:12:40Z)
• 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)
• Recurrent Exposure Generation for Low-Light Face Detection [113.25331155337759]
  本稿では,Recurrent Exposure Generation (REG) モジュールと Multi-Exposure Detection (MED) モジュールを提案する。 REGは、様々な露光設定に対応する段階的かつ効率的な中間画像を生成する。 このような擬似露光はMEDによって融合され、異なる照明条件で顔を検出する。
  論文  参考訳（メタデータ） (2020-07-21T17:30:51Z)
• Single Image Brightening via Multi-Scale Exposure Fusion with Hybrid Learning [48.890709236564945]
  小さいISOと小さな露光時間は、通常、背面または低い光条件下で画像をキャプチャするために使用される。 本稿では、そのような画像を明るくするために、単一の画像輝度化アルゴリズムを提案する。 提案アルゴリズムは,露出時間が大きい2つの仮想画像を生成するための,ユニークなハイブリッド学習フレームワークを含む。
  論文  参考訳（メタデータ） (2020-07-04T08:23:07Z)
• ML-SIM: A deep neural network for reconstruction of structured illumination microscopy images [0.0]
  構造照明顕微鏡 (SIM) は, 光学超高分解能イメージングにおいて重要な技術となっている。 本稿では機械学習を利用した多目的再構成手法ML-SIMを提案する。 したがって、ML-SIMは生のSIM入力フレームの照明パターンにおけるノイズや不規則に対して堅牢である。
  論文  参考訳（メタデータ） (2020-03-24T18:42:23Z)

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。