論文の概要: Optical Diffraction Tomography based on 3D Physics-Inspired Neural
Network (PINN)
- arxiv url: http://arxiv.org/abs/2206.05236v1
- Date: Fri, 10 Jun 2022 17:19:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 14:56:39.584678
- Title: Optical Diffraction Tomography based on 3D Physics-Inspired Neural
Network (PINN)
- Title（参考訳）: 3次元物理インスピレーションニューラルネットワーク(PINN)を用いた光回折トモグラフィ
- Authors: Ahmed B. Ayoub, Amirhossein Saba, Carlo Gigli, Demetri Psaltis
- Abstract要約: 光回折トモグラフィー(ODT)は半透明試料の屈折率(RI)の3次元再構成に使用される新しい3Dイメージング技術である。
ボルンやリトフ近似のような様々な試料のホログラフィー検出に基づいて、3D RIを再構成する様々な逆モデルが提案されている。
本稿では,3次元ニューラルネットワーク(NN)を応用した別のアプローチを提案する。このNNは,光波伝搬の物理理論に基づく物理モデルに基づくコスト関数を用いて訓練する。
- 参考スコア（独自算出の注目度）: 0.1310865248866973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optical diffraction tomography (ODT) is an emerging 3D imaging technique that
is used for the 3D reconstruction of the refractive index (RI) for
semi-transparent samples. Various inverse models have been proposed to
reconstruct the 3D RI based on the holographic detection of different samples
such as the Born and the Rytov approximations. However, such approximations
usually suffer from the so-called missing-cone problem that results in an
elongation of the final reconstruction along the optical axis. Different
iterative schemes have been proposed to solve the missing cone problem relying
on physical forward models and an error function that aims at filling in the
k-space and thus eliminating the missing-cone problem and reaching better
reconstruction accuracy. In this paper, we propose a different approach where a
3D neural network (NN) is employed. The NN is trained with a cost function
derived from a physical model based on the physics of optical wave propagation.
The 3D NN starts with an initial guess for the 3D RI reconstruction (i.e. Born,
or Rytov) and aims at reconstructing better 3D reconstruction based on an error
function. With this technique, the NN can be trained without any examples of
the relation between the ill-posed reconstruction (Born or Rytov) and the
ground truth (true shape).
- Abstract（参考訳）: 光回折トモグラフィー(ODT)は半透明試料の屈折率(RI)の3次元再構成に使用される新しい3Dイメージング技術である。
ボルンやリトフ近似のような様々な試料のホログラフィー検出に基づいて、3D RIを再構成する様々な逆モデルが提案されている。
しかし、そのような近似は通常、光学軸に沿った最終的な再構成の延長をもたらすいわゆる欠落円錐問題に悩まされる。
物理フォワードモデルとk空間を埋めることを目的とした誤差関数に頼って、欠落した円錐問題を解消し、より良い再構成精度を達成するために、異なる反復スキームが提案されている。
本稿では,3次元ニューラルネットワーク(NN)を用いたアプローチを提案する。
NNは、光波伝搬の物理に基づく物理モデルから導かれるコスト関数で訓練される。
3D NNは、3D RI再構成の初期推定(ボルン、リトフ)から始まり、エラー関数に基づいてより良い3D再構成を構築することを目的としている。
この手法により、NNは、不適切な再構成(BornまたはRytov)と真実(真の形)の関係の例を示さずに訓練することができる。
関連論文リスト
- NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳（メタデータ） (2023-03-22T18:59:48Z) - DehazeNeRF: Multiple Image Haze Removal and 3D Shape Reconstruction
using Neural Radiance Fields [56.30120727729177]
DehazeNeRFは,湿潤な環境下で頑健に動作するフレームワークとして紹介する。
提案手法は,複数視点のヘイズ除去,新しいビュー合成,既存手法が失敗する3次元形状再構成を成功させるものである。
論文 参考訳（メタデータ） (2023-03-20T18:03:32Z) - Learning Neural Radiance Fields from Multi-View Geometry [1.1011268090482573]
画像に基づく3次元再構成のために,多視点幾何アルゴリズムとニューラルレージアンス場(NeRF)を組み合わせたMVG-NeRF(MVG-NeRF)というフレームワークを提案する。
NeRFは暗黙の3D表現の分野に革命をもたらした。
論文 参考訳（メタデータ） (2022-10-24T08:53:35Z) - Uncertainty Guided Policy for Active Robotic 3D Reconstruction using
Neural Radiance Fields [82.21033337949757]
本稿では,物体の暗黙のニューラル表現の各光線に沿ったカラーサンプルの重量分布のエントロピーを計算した線量不確実性推定器を提案する。
提案した推定器を用いた新しい視点から, 基礎となる3次元形状の不確かさを推測することが可能であることを示す。
ニューラルラディアンス場に基づく表現における線量不確実性によって導かれる次ベクター選択ポリシーを提案する。
論文 参考訳（メタデータ） (2022-09-17T21:28:57Z) - NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。
本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。
本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
論文 参考訳（メタデータ） (2022-07-22T10:05:36Z) - DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D
Microscopic Imaging using Digital Holography [3.4635026053111484]
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。
論文 参考訳（メタデータ） (2022-05-25T17:13:45Z) - 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) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳（メタデータ） (2021-10-14T23:05:47Z) - Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。
我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。
我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
論文 参考訳（メタデータ） (2020-08-16T13:38:41Z) - 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)
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。