論文の概要: Fourier Imager Network (FIN): A deep neural network for hologram
reconstruction with superior external generalization
- arxiv url: http://arxiv.org/abs/2204.10533v1
- Date: Fri, 22 Apr 2022 06:56:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 13:23:21.816151
- Title: Fourier Imager Network (FIN): A deep neural network for hologram
reconstruction with superior external generalization
- Title（参考訳）: Fourier Imager Network (FIN): 優れた外部一般化を備えたホログラム再構成のためのディープニューラルネットワーク
- Authors: Hanlong Chen, Luzhe Huang, Tairan Liu, Aydogan Ozcan
- Abstract要約: 本研究ではFIN(Fourier Imager Network)と呼ばれるディープラーニングフレームワークを導入し,新しいタイプのサンプルの生ホログラムからエンド・ツー・エンドの位相回復と画像再構成を行う。
FINは、新しいタイプのサンプルに対して優れた一般化を示すと同時に、画像の推論速度もはるかに高速である。
ヒトの肺組織サンプルを用いてFINを訓練し,ヒト前立腺,唾液腺組織およびパップスミア標本で盲目的に試験することにより,FINの性能を実験的に検証した。
- 参考スコア（独自算出の注目度）: 0.30586855806896046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based image reconstruction methods have achieved remarkable
success in phase recovery and holographic imaging. However, the generalization
of their image reconstruction performance to new types of samples never seen by
the network remains a challenge. Here we introduce a deep learning framework,
termed Fourier Imager Network (FIN), that can perform end-to-end phase recovery
and image reconstruction from raw holograms of new types of samples, exhibiting
unprecedented success in external generalization. FIN architecture is based on
spatial Fourier transform modules that process the spatial frequencies of its
inputs using learnable filters and a global receptive field. Compared with
existing convolutional deep neural networks used for hologram reconstruction,
FIN exhibits superior generalization to new types of samples, while also being
much faster in its image inference speed, completing the hologram
reconstruction task in ~0.04 s per 1 mm^2 of the sample area. We experimentally
validated the performance of FIN by training it using human lung tissue samples
and blindly testing it on human prostate, salivary gland tissue and Pap smear
samples, proving its superior external generalization and image reconstruction
speed. Beyond holographic microscopy and quantitative phase imaging, FIN and
the underlying neural network architecture might open up various new
opportunities to design broadly generalizable deep learning models in
computational imaging and machine vision fields.
- Abstract（参考訳）: 深層学習に基づく画像再構成手法は位相回復とホログラフィックイメージングにおいて顕著な成功を収めている。
しかし、ネットワークで見ることのない新しいタイプのサンプルへの画像再構成性能の一般化は依然として課題である。
本稿では,FIN(Fourier Imager Network)と呼ばれるディープラーニングフレームワークを紹介し,新しいタイプのサンプルの生ホログラムからエンド・ツー・エンドの位相回復と画像再構成を行い,外部一般化において前例のない成功を収めた。
FINアーキテクチャは、学習可能なフィルタと大域受容場を用いて入力の空間周波数を処理する空間フーリエ変換モジュールに基づいている。
ホログラム再構成に使用されている既存の畳み込みディープニューラルネットワークと比較して、FINは新しいタイプのサンプルよりも優れた一般化を示し、画像推論速度もはるかに速く、サンプル領域の0.04 s/1 mm^2でホログラム再構成タスクを完了する。
ヒトの肺組織サンプルを用いてFINの性能を訓練し、ヒト前立腺、唾液腺組織、およびパップスミア標本で盲目的に試験し、優れた外部一般化と画像再構成速度を示した。
ホログラフィー顕微鏡と定量的位相イメージングの他に、FINと基盤となるニューラルネットワークアーキテクチャは、計算イメージングとマシンビジョンの分野で広く一般化可能なディープラーニングモデルを設計する様々な新しい機会を開くかもしれない。
関連論文リスト
- OAH-Net: A Deep Neural Network for Hologram Reconstruction of Off-axis Digital Holographic Microscope [5.835347176172883]
本稿では, 深層学習とオフ軸ホログラフィの物理原理を融合した新しい再構成手法を提案する。
我々のオフ軸ホログラムネットワーク(OAH-Net)は、ハードウェアに起因する測定誤差範囲内にある誤差のある位相および振幅画像を取得する。
この能力は、生物学的および医学の両方でオフ軸ホログラフィーの応用をさらに拡大する。
論文 参考訳（メタデータ） (2024-10-17T14:25:18Z) - Local Conditional Neural Fields for Versatile and Generalizable
Large-Scale Reconstructions in Computational Imaging [4.880408468047162]
我々は,この制限に対処するために,連続的な暗黙的ニューラル表現を活用する,新しいローカル条件ニューラルフィールド(LCNF)フレームワークを導入する。
多重計測によるFPM(Fourier ptychography microscopy)の逆問題に対するLCNFの有用性を実証した。
数個の多重化測定値を用いて,広視野高分解能位相像の高精度な再構成を実証した。
論文 参考訳（メタデータ） (2023-07-12T14:52:31Z) - GM-NeRF: Learning Generalizable Model-based Neural Radiance Fields from
Multi-view Images [79.39247661907397]
本稿では,自由視点画像の合成に有効なフレームワークであるGeneralizable Model-based Neural Radiance Fieldsを提案する。
具体的には、多視点2D画像からの出現コードを幾何学的プロキシに登録するための幾何学誘導型アテンション機構を提案する。
論文 参考訳（メタデータ） (2023-03-24T03:32:02Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - eFIN: Enhanced Fourier Imager Network for generalizable autofocusing and
pixel super-resolution in holographic imaging [0.30586855806896046]
深層ニューラルネットワーク「拡張フーリエイメージネットワーク(eFIN)」を画素超解像と画像オートフォーカスによるホログラム再構成のためのフレームワークとして導入する。
eFINは画像再構成の質が優れており、トレーニング段階では見られない新しいタイプのサンプルに対して外部の一般化を示す。
eFINは3xピクセル超解像度イメージングを可能にし、再構成画像の空間帯域幅積をほぼ性能損失なく9倍に向上させる。
論文 参考訳（メタデータ） (2023-01-09T04:12:10Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - The Application of Convolutional Neural Networks for Tomographic
Reconstruction of Hyperspectral Images [0.0]
畳み込みニューラルネットワーク(CNN)を用いた新しい手法を提案し,CTIS(Computed Imaging Spectrometer)画像から超スペクトル立方体を再構成する。
CNNは標準的な予測アルゴリズムよりも精度が高く、復元時間が短い。
論文 参考訳（メタデータ） (2021-08-30T18:11:08Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - Holographic image reconstruction with phase recovery and autofocusing
using recurrent neural networks [8.040329271747753]
デジタルホログラフィーは、バイオメディカルイメージングで最も広く使用されている顕微鏡技術の1つです。
ホログラムの欠落相情報の回復はホログラム画像再構成の重要なステップである。
ここでは、畳み込みリカレントニューラルネットワークに基づく位相回復手法を示す。
論文 参考訳（メタデータ） (2021-02-12T01:51:43Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳（メタデータ） (2020-06-22T11:41:57Z)
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。