論文の概要: DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography

• arxiv url: http://arxiv.org/abs/2205.12920v1
• Date: Wed, 25 May 2022 17:13:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-26 15:55:31.803461
• Title: DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography
• Title（参考訳）: dh-gan : デジタルホログラフィを用いた3次元顕微鏡イメージングのための物理駆動非学習生成逆ネットワーク
• Authors: Xiwen Chen, Hao Wang, Abofazl Razi, Michael Kozicki, Christopher Mann
• Abstract要約: デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 3.4635026053111484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital holography is a 3D imaging technique by emitting a laser beam with a plane wavefront to an object and measuring the intensity of the diffracted waveform, called holograms. The object's 3D shape can be obtained by numerical analysis of the captured holograms and recovering the incurred phase. Recently, deep learning (DL) methods have been used for more accurate holographic processing. However, most supervised methods require large datasets to train the model, which is rarely available in most DH applications due to the scarcity of samples or privacy concerns. A few one-shot DL-based recovery methods exist with no reliance on large datasets of paired images. Still, most of these methods often neglect the underlying physics law that governs wave propagation. These methods offer a black-box operation, which is not explainable, generalizable, and transferrable to other samples and applications. In this work, we propose a new DL architecture based on generative adversarial networks that uses a discriminative network for realizing a semantic measure for reconstruction quality while using a generative network as a function approximator to model the inverse of hologram formation. We impose smoothness on the background part of the recovered image using a progressive masking module powered by simulated annealing to enhance the reconstruction quality. The proposed method is one of its kind that exhibits high transferability to similar samples, which facilitates its fast deployment in time-sensitive applications without the need for retraining the network. The results show a considerable improvement to competitor methods in reconstruction quality (about 5 dB PSNR gain) and robustness to noise (about 50% reduction in PSNR vs noise increase rate).
• Abstract（参考訳）: デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 被写体の3次元形状は、捕捉されたホログラムの数値解析と、得られた位相の回復により得ることができる。 近年,より正確なホログラフィック処理にディープラーニング(DL)法が用いられている。 しかし、ほとんどの教師付きメソッドはモデルをトレーニングするために大きなデータセットを必要とするが、サンプルの不足やプライバシー上の懸念のため、ほとんどのDHアプリケーションでは利用できない。 ペア画像の大きなデータセットに依存しない1ショットのDLベースのリカバリ手法がいくつか存在する。 しかし、これらの手法の多くは波動伝播を支配する物理法則を無視していることが多い。 これらのメソッドはブラックボックス操作を提供しており、他のサンプルやアプリケーションに説明、一般化、転送はできない。 本研究では,生成ネットワークを関数近似器として使用し,ホログラム生成の逆をモデル化しながら,識別ネットワークを用いて再構成品質の意味的尺度を実現する,生成逆ネットワークに基づく新しいdlアーキテクチャを提案する。 再現性を高めるために,シミュレートアニーリングを動力とするプログレッシブマスキングモジュールを用いて,復元画像の背景部分に滑らかさを付与する。 提案手法は, ネットワークの再トレーニングを必要とせずに, 時間に敏感なアプリケーションに高速に展開することのできる, 類似のサンプルに対する高い転送性を示す。 その結果, 復元品質(約5dBのPSNRゲイン)と騒音(約50%のPSNR減少とノイズ増加率)において, 競合手法にかなりの改善が認められた。

関連論文リスト

• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• A Deep Learning Approach for SAR Tomographic Imaging of Forested Areas [10.477070348391079]
  我々は,1つのフィードフォワードパスでトモグラフィインバージョンを実行するために,軽量ニューラルネットワークをトレーニング可能であることを示す。 我々は、シミュレーションデータを用いてエンコーダ・デコーダネットワークを訓練し、実LバンドとPバンドのデータに基づいてその手法を検証する。
  論文  参考訳（メタデータ） (2023-01-20T14:34:03Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Physics to the Rescue: Deep Non-line-of-sight Reconstruction for High-speed Imaging [13.271762773872476]
  本稿では,高品位かつ堅牢なNLOS再構成のためのニューラルネットワークに,波動伝搬とボリュームレンダリングの相補的な物理を組み込んだ新しいディープモデルを提案する。 本手法は, 実測値と実測値の両方に基づいて, 従来の物理・学習手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-03T02:47:02Z)
• Advantage of Machine Learning over Maximum Likelihood in Limited-Angle Low-Photon X-Ray Tomography [0.0]
  再建過程における事前分布を決定・適用するために,深層ニューラルネットワークを導入する。 私たちのニューラルネットワークは、合成トレーニングサンプルから直接、事前を学習します。 プロジェクション角と光子予算が限られている場合, 深部生成モデルによる先行モデルにより, IC再建の精度が劇的に向上することが実証された。
  論文  参考訳（メタデータ） (2021-11-15T16:24:12Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• Real-time 3D Nanoscale Coherent Imaging via Physics-aware Deep Learning [0.7664249650622356]
  深層畳み込みニューラルネットワークと微分プログラミングフレームワークである3D-CDI-NNを導入し,3次元構造とひずみを予測する。 私たちのネットワークは、複数の面で「物理認識」するように設計されています。 我々の統合機械学習および微分プログラミングソリューションは、他のアプリケーション領域における逆問題に広く適用できます。
  論文  参考訳（メタデータ） (2020-06-16T18:35:32Z)
• Deep DIH : Statistically Inferred Reconstruction of Digital In-Line Holography by Deep Learning [1.4619386068190985]
  デジタルインラインホログラフィーは、顕微鏡オブジェクトの2次元ホログラムから3次元画像を再構成するのに一般的に用いられる。 本稿では,シングルショットホログラム再構成のためのオートエンコーダに基づくディープラーニングアーキテクチャの実装を提案する。
  論文  参考訳（メタデータ） (2020-04-25T20:39:25Z)
• 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)

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。