論文の概要: Compressive Ptychography using Deep Image and Generative Priors
- arxiv url: http://arxiv.org/abs/2205.02397v1
- Date: Thu, 5 May 2022 02:18:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-07 05:08:30.817224
- Title: Compressive Ptychography using Deep Image and Generative Priors
- Title(参考訳): 深部画像と生成前兆を用いた圧縮的ptychography
- Authors: Semih Barutcu, Do\u{g}a G\"ursoy, Aggelos K. Katsaggelos
- Abstract要約: Ptychographyは、ナノメートルスケールでサンプルの非侵襲的なイメージングを可能にする、よく確立されたコヒーレント回折イメージング技術である。
Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間である。
本稿では,深部画像先行と深部画像先行とを組み合わせた生成モデルを提案する。
- 参考スコア(独自算出の注目度): 9.658250977094562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ptychography is a well-established coherent diffraction imaging technique
that enables non-invasive imaging of samples at a nanometer scale. It has been
extensively used in various areas such as the defense industry or materials
science. One major limitation of ptychography is the long data acquisition time
due to mechanical scanning of the sample; therefore, approaches to reduce the
scan points are highly desired. However, reconstructions with less number of
scan points lead to imaging artifacts and significant distortions, hindering a
quantitative evaluation of the results. To address this bottleneck, we propose
a generative model combining deep image priors with deep generative priors. The
self-training approach optimizes the deep generative neural network to create a
solution for a given dataset. We complement our approach with a prior acquired
from a previously trained discriminator network to avoid a possible divergence
from the desired output caused by the noise in the measurements. We also
suggest using the total variation as a complementary before combat artifacts
due to measurement noise. We analyze our approach with numerical experiments
through different probe overlap percentages and varying noise levels. We also
demonstrate improved reconstruction accuracy compared to the state-of-the-art
method and discuss the advantages and disadvantages of our approach.
- Abstract(参考訳): Ptychographyは、ナノスケールでサンプルの非侵襲的なイメージングを可能にする、確立されたコヒーレント回折イメージング技術である。
防衛産業や材料科学など、様々な分野で広く使用されている。
Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間であり、スキャンポイントを減らすアプローチが望まれている。
しかし、スキャンポイントの少ない再構成は画像のアーティファクトと大きな歪みをもたらし、結果の定量的評価を妨げている。
そこで本稿では,このボトルネックに対処するために,深部画像優先と深部生成優先を組み合わせた生成モデルを提案する。
自己学習アプローチは、ディープジェネレーティブニューラルネットワークを最適化して、所定のデータセットのソリューションを作成する。
本手法は,予め訓練した判別器ネットワークから事前取得した手法で補完し,測定結果のノイズによる所望の出力からの逸脱を回避する。
また,測定ノイズによる戦闘アーティファクトの補足として総変動を用いることも提案する。
我々は,異なるプローブ重複率と異なる雑音レベルを用いて数値解析を行った。
また,最先端手法と比較して再構築精度を向上し,提案手法の利点と欠点について考察した。
関連論文リスト
- Integrating Generative and Physics-Based Models for Ptychographic Imaging with Uncertainty Quantification [0.0]
Ptychographyは、走査コヒーレントな回折イメージング技術であり、拡張サンプルのナノメートル規模の特徴を撮像することができる。
本稿では,近隣のスキャン位置間の重複を少なくしながらも効果的に機能するptychographyのベイズ逆解析法を提案する。
論文 参考訳(メタデータ) (2024-12-14T16:16:37Z) - Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳(メタデータ) (2024-08-28T10:07:17Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳(メタデータ) (2023-07-19T16:42:52Z) - A Deep Generative Approach to Oversampling in Ptychography [9.658250977094562]
ptychographyの大きな欠点は、長いデータ取得時間である。
本稿では, 深層生成ネットワークから抽出したデータを用いて, わずかに取得したデータやアンダーサンプルデータを補完する手法を提案する。
深層生成ネットワークを事前学習し、データ収集時に出力を計算できるので、実験データとデータ取得時間を削減することができる。
論文 参考訳(メタデータ) (2022-07-28T22:02:01Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳(メタデータ) (2022-06-17T08:11:26Z) - Compressed Sensing for Photoacoustic Computed Tomography Using an
Untrained Neural Network [1.7237160821929758]
光音響(PA)CT(PACT)は様々な臨床応用において大きな可能性を秘めている。
測定されたチャンネルの数を減らしたり、検出されたビューを制限すると、アーティファクトやサイドローブが画像を汚染する可能性がある。
本稿では,未学習ニューラルネットワークを用いたPACTの圧縮センシング手法を提案する。
論文 参考訳(メタデータ) (2021-05-29T09:01:58Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - Phase Retrieval with Holography and Untrained Priors: Tackling the
Challenges of Low-Photon Nanoscale Imaging [7.984370990908576]
位相探索は、マグニチュードのみのフーリエ測定から信号を回復する逆問題である。
ナノスケールの課題に適応したホログラフィック位相検索のためのデータセットフリーなディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-14T10:15:07Z) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳(メタデータ) (2020-08-03T07:56:04Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Class-Specific Blind Deconvolutional Phase Retrieval Under a Generative
Prior [8.712404218757733]
この問題はフーリエ・プチコグラフィー、X線結晶学、可視光通信など様々な画像モダリティで発生する。
本稿では,事前訓練された2つの深層生成ネットワークの下での交互勾配降下アルゴリズムを用いて,この逆問題の解法を提案する。
提案アルゴリズムは,前向き測定モデルを説明する各前駆体の範囲内で,シャープな画像とぼやけたカーネルを見つけ出そうとする。
論文 参考訳(メタデータ) (2020-02-28T07:36:28Z)
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。