Fugu-MT 論文翻訳(概要): Zero-Shot Learning of Continuous 3D Refractive Index Maps from Discrete Intensity-Only Measurements

論文の概要: Zero-Shot Learning of Continuous 3D Refractive Index Maps from Discrete Intensity-Only Measurements

arxiv url: http://arxiv.org/abs/2112.00002v1
Date: Sat, 27 Nov 2021 06:05:47 GMT
ステータス: 処理完了
システム内更新日: 2021-12-02 15:26:55.529506
Title: Zero-Shot Learning of Continuous 3D Refractive Index Maps from Discrete Intensity-Only Measurements
Title（参考訳）: 離散強度オンリー測定による連続3次元屈折率図のゼロショット学習
Authors: Renhao Liu, Yu Sun, Jiabei Zhu, Lei Tian, Ulugbek Kamilov
Abstract要約: 我々は, RI体積の高次連続表現を, その強度のみおよび制限角の測定から直接学習できる最初のNF-based IDT法としてDeCAFを提案する。我々は,DECAFが高コントラストかつ非アーティファクトなRIマップを生成できる3つの異なるIDTモダリティと複数の生物学的サンプルを示す。
参考スコア（独自算出の注目度）: 5.425568744312016
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Intensity diffraction tomography (IDT) refers to a class of optical microscopy techniques for imaging the 3D refractive index (RI) distribution of a sample from a set of 2D intensity-only measurements. The reconstruction of artifact-free RI maps is a fundamental challenge in IDT due to the loss of phase information and the missing cone problem. Neural fields (NF) has recently emerged as a new deep learning (DL) paradigm for learning continuous representations of complex 3D scenes without external training datasets. We present DeCAF as the first NF-based IDT method that can learn a high-quality continuous representation of a RI volume directly from its intensity-only and limited-angle measurements. We show on three different IDT modalities and multiple biological samples that DeCAF can generate high-contrast and artifact-free RI maps.
Abstract（参考訳）: インテンシティ回折トモグラフィ(Intensity diffraction tomography、IDT)は、試料の3次元屈折率(RI)分布を2次元強度のみの測定値から撮像する光学顕微鏡技術である。非アーティファクトRIマップの再構成は、位相情報の欠落とコーンの欠落によるIDTの根本的な課題である。ニューラルネットワーク(NF)は、外部トレーニングデータセットなしで複雑な3Dシーンの連続表現を学習するための新しいディープラーニング(DL)パラダイムとして最近登場した。我々は, RI体積の高次連続表現を, その強度のみおよび制限角の測定から直接学習できる最初のNF-based IDT法としてDeCAFを提案する。我々は,DECAFが高コントラストかつ非アーティファクトなRIマップを生成できる3つの異なるIDTモダリティと複数の生物学的サンプルを示す。

関連論文リスト

M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
論文参考訳（メタデータ） (2024-06-04T12:33:02Z)
3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
論文参考訳（メタデータ） (2024-05-17T11:23:33Z)
A Spatiotemporal Illumination Model for 3D Image Fusion in Optical Coherence Tomography [2.8532140618225337]
光走査型標準断層撮影(OCT)は、眼科領域における非侵襲的、マイクロメータースケールの画像モダリティである。逐次走査されたボリュームデータにおける連続性を利用する新しいパラメトリゼーションを提案する。病理組織学的には68巻で88%で照明アーチファクトが減少し,中程度の照明アーティファクトは6%に過ぎなかった。
論文参考訳（メタデータ） (2024-02-19T13:08:31Z)
Learning Spatially-Continuous Fiber Orientation Functions [1.4504054468850665]
低分解能拡散強調画像から空間連続繊維配向密度関数を学習するFENRIを提案する。我々はFENRIが現実的な低品質データから高分解能繊維配向を正確に予測できることを実証した。
論文参考訳（メタデータ） (2023-12-10T01:28:47Z)
StableDreamer: Taming Noisy Score Distillation Sampling for Text-to-3D [88.66678730537777]
本稿では3つの進歩を取り入れた方法論であるStableDreamerを紹介する。まず、SDS生成前の等価性と、簡単な教師付きL2再構成損失を定式化する。第2に,画像空間拡散は幾何学的精度に寄与するが,色調の鮮明化には潜時空間拡散が不可欠であることを示す。
論文参考訳（メタデータ） (2023-12-02T02:27:58Z)
Improved Multi-Shot Diffusion-Weighted MRI with Zero-Shot Self-Supervised Learning Reconstruction [7.347468593124183]
ゼロMIRIDと呼ばれる新しいmsEPI再構成手法(改良拡散MRIのためのマルチショット画像再構成のためのゼロショット自己教師型学習)を提案する。本手法は、深層学習に基づく画像正規化技術を組み込むことで、msEPIデータを共同で再構成する。 In-vivo実験で示されるように、最先端の並列イメージング法と比較して優れた結果が得られる。
論文参考訳（メタデータ） (2023-08-09T17:54:56Z)
Reference-Free Isotropic 3D EM Reconstruction using Diffusion Models [8.590026259176806]
本稿では、参照データや劣化過程に関する事前知識の制限を克服する拡散モデルに基づくフレームワークを提案する。提案手法では, 2次元拡散モデルを用いて連続的に3次元ボリュームを再構成し, 高精度なサンプルデータに適している。
論文参考訳（メタデータ） (2023-08-03T07:57:02Z)
Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Unsupervised Missing Cone Deep Learning in Optical Diffraction Tomography [25.18730153421617]
本稿では,最適なトランスポート駆動型サイクガンによる投影ビューの確率分布を学習する,教師なし深層学習フレームワークを提案する。実験結果から, 提案手法により, ODT中のコーンアーティファクトの欠落が有意に解決できることが示された。
論文参考訳（メタデータ） (2021-03-16T12:41:33Z)
Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
論文参考訳（メタデータ） (2020-04-02T17:59:04Z)
Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。