論文の概要: Diffractive all-optical computing for quantitative phase imaging
- arxiv url: http://arxiv.org/abs/2201.08964v1
- Date: Sat, 22 Jan 2022 05:28:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 17:51:57.802439
- Title: Diffractive all-optical computing for quantitative phase imaging
- Title（参考訳）: 拡散型全光学計算による定量的位相イメージング
- Authors: Deniz Mengu and Aydogan Ozcan
- Abstract要約: 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。
- 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: Quantitative phase imaging (QPI) is a label-free computational imaging
technique that provides optical path length information of specimens. In modern
implementations, the quantitative phase image of an object is reconstructed
digitally through numerical methods running in a computer, often using
iterative algorithms. Here, we demonstrate a diffractive QPI network that can
synthesize the quantitative phase image of an object by converting the input
phase information of a scene into intensity variations at the output plane. A
diffractive QPI network is a specialized all-optical processor designed to
perform a quantitative phase-to-intensity transformation through passive
diffractive surfaces that are spatially engineered using deep learning and
image data. Forming a compact, all-optical network that axially extends only
~200-300 times the illumination wavelength, this framework can replace
traditional QPI systems and related digital computational burden with a set of
passive transmissive layers. All-optical diffractive QPI networks can
potentially enable power-efficient, high frame-rate and compact phase imaging
systems that might be useful for various applications, including, e.g., on-chip
microscopy and sensing.
- Abstract（参考訳）: quantitative phase imaging (qpi) は、標本の光学的経路長情報を提供するラベルフリーな計算イメージング技術である。
現代の実装では、オブジェクトの定量的位相像は、しばしば反復アルゴリズムを用いて、コンピュータ内で実行される数値的手法によってデジタル的に再構成される。
本稿では,シーンの入力位相情報を出力面の強度変動に変換することで,物体の定量的位相像を合成できる拡散型qpiネットワークを示す。
微分QPIネットワーク(diffractive QPI network)は、深層学習と画像データを用いて空間的に設計された受動微分曲面による定量的位相-強度変換を実現するために設計された、特殊な全光学プロセッサである。
波長の約200-300倍の波長で軸方向に伸びるコンパクトな全光学ネットワークを形成することにより、従来のQPIシステムと関連するデジタル計算負荷を受動透過層に置き換えることができる。
全光回折QPIネットワークは、例えばオンチップ顕微鏡やセンシングなど、様々な用途に有用な電力効率が高く、フレームレートが高く、コンパクトな位相イメージングシステムを実現することができる。
関連論文リスト
- Parameter-Inverted Image Pyramid Networks [49.35689698870247]
Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。
私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。
PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-06-06T17:59:10Z) - Multiplane Quantitative Phase Imaging Using a Wavelength-Multiplexed Diffractive Optical Processor [11.382198495580127]
波長多重回折光学プロセッサを用いた位相専用物体の3次元スタックを提案する。
回折プロセッサは、入力時に複数の異なる軸面を横断する全光学的定量的位相像を同時に達成できることを示す。
論文 参考訳（メタデータ） (2024-03-16T22:49:47Z) - All-optical complex field imaging using diffractive processors [12.665552989073797]
本稿では,入力フィールドの振幅情報と定量的位相情報の両方をスナップショットで撮像する複雑なフィールドイメージ設計を提案する。
我々の設計では、入力複素体を集合的に変調するために構造化された逐次的な深層学習最適化微分曲面を利用する。
センサ面上の2つのチャネルの出力場の強度分布は、入力された複素場の振幅および定量的位相プロファイルと直接対応している。
論文 参考訳（メタデータ） (2024-01-30T06:39:54Z) - Calibration-free quantitative phase imaging in multi-core fiber
endoscopes using end-to-end deep learning [49.013721992323994]
位相再構成時間を5.5msに大幅に短縮する学習型MCF位相イメージング法を実証した。
我々はまた,MCF位相イメージングに適した最初のオープンソースデータセットを自動生成する,革新的な光学システムも導入した。
我々の訓練されたディープニューラルネットワーク(DNN)は、99.8%の平均忠実度を持つ実験において、堅牢な位相再構成性能を示す。
論文 参考訳（メタデータ） (2023-12-12T09:30:12Z) - Multispectral Quantitative Phase Imaging Using a Diffractive Optical
Network [0.0]
本稿では,透過的な位相のみの物体のマルチスペクトル定量的位相像をスナップショットで全光的に処理できる回折プロセッサの設計について述べる。
本設計では、深層学習により最適化された空間工学的な拡散層を用いて、入力対象の位相プロファイルを符号化する。
これらの回折マルチスペクトルプロセッサは、全ての波長チャネルで均一な性能を維持しており、それぞれの波長で適切なQPI性能を示す。
論文 参考訳（メタデータ） (2023-08-05T21:13:25Z) - 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 graph representation learning using integrated diffractive
photonic computing units [51.15389025760809]
フォトニックニューラルネットワークは、電子の代わりに光子を用いて脳にインスパイアされた計算を行う。
我々は、DGNN(diffractive graph neural network)と呼ばれる全光グラフ表現学習アーキテクチャを提案する。
ベンチマークデータベースを用いたノードおよびグラフレベルの分類タスクにおけるDGNN抽出機能の利用を実演し、優れた性能を実現する。
論文 参考訳（メタデータ） (2022-04-23T02:29:48Z) - Classification and reconstruction of spatially overlapping phase images
using diffractive optical networks [0.0]
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。
論文 参考訳（メタデータ） (2021-08-18T05:15:05Z) - Post-Training Quantization for Vision Transformer [85.57953732941101]
本稿では,視覚変換器のメモリ記憶量と計算コストを削減するための学習後量子化アルゴリズムを提案する。
約8ビット量子化を用いて、ImageNetデータセット上でDeiT-Bモデルを用いて81.29%のトップ-1の精度を得ることができる。
論文 参考訳（メタデータ） (2021-06-27T06:27:22Z) - Time-Multiplexed Coded Aperture Imaging: Learned Coded Aperture and
Pixel Exposures for Compressive Imaging Systems [56.154190098338965]
提案した時間多重符号化開口(TMCA)をエンドツーエンドで最適化できることを示した。
tmcaは圧縮光野イメージングとハイパースペクトルイメージングの2つの異なる応用において、より良いコード化されたスナップショットを誘導する。
この凝固法は、最先端の圧縮画像システムよりも4dB以上性能が高い。
論文 参考訳（メタデータ） (2021-04-06T22:42:34Z) - Rapid characterisation of linear-optical networks via PhaseLift [51.03305009278831]
集積フォトニクスは優れた位相安定性を提供し、半導体産業によって提供される大規模な製造性に依存することができる。
このような光回路に基づく新しいデバイスは、機械学習アプリケーションにおいて高速でエネルギー効率の高い計算を約束する。
線形光ネットワークの転送行列を再構成する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-01T16:04:22Z)
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。