論文の概要: DeStripe: A Self2Self Spatio-Spectral Graph Neural Network with Unfolded
Hessian for Stripe Artifact Removal in Light-sheet Microscopy
- arxiv url: http://arxiv.org/abs/2206.13419v1
- Date: Mon, 27 Jun 2022 16:13:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 14:16:57.715994
- Title: DeStripe: A Self2Self Spatio-Spectral Graph Neural Network with Unfolded
Hessian for Stripe Artifact Removal in Light-sheet Microscopy
- Title(参考訳): DeStripe:光シート顕微鏡におけるStripeアーチファクト除去のための展開ヘシアンを用いた自己2Self比スペクトルグラフニューラルネットワーク
- Authors: Yu Liu, Kurt Weiss, Nassir Navab, Carsten Marr, Jan Huisken, Tingying
Peng
- Abstract要約: 本稿では,光シート蛍光顕微鏡(LSFM)におけるDeStripeと呼ばれるブラインドアーティファクト除去アルゴリズムを提案する。
DeStripeは、一方向のアーティファクトと前景の画像の構造的差異を利用して、潜在的に破損した係数をローカライズする。
影響された係数をグラフニューラルネットワークに入力して、標準画像空間の構造が十分に保存されていることを保証するために、ヘッセン正規化をアンロールした状態でリカバリすることができる。
- 参考スコア(独自算出の注目度): 40.223974943121874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Light-sheet fluorescence microscopy (LSFM) is a cutting-edge volumetric
imaging technique that allows for three-dimensional imaging of mesoscopic
samples with decoupled illumination and detection paths. Although the selective
excitation scheme of such a microscope provides intrinsic optical sectioning
that minimizes out-of-focus fluorescence background and sample photodamage, it
is prone to light absorption and scattering effects, which results in uneven
illumination and striping artifacts in the images adversely. To tackle this
issue, in this paper, we propose a blind stripe artifact removal algorithm in
LSFM, called DeStripe, which combines a self-supervised spatio-spectral graph
neural network with unfolded Hessian prior. Specifically, inspired by the
desirable properties of Fourier transform in condensing striping information
into isolated values in the frequency domain, DeStripe firstly localizes the
potentially corrupted Fourier coefficients by exploiting the structural
difference between unidirectional stripe artifacts and more isotropic
foreground images. Affected Fourier coefficients can then be fed into a graph
neural network for recovery, with a Hessian regularization unrolled to further
ensure structures in the standard image space are well preserved. Since in
realistic, stripe-free LSFM barely exists with a standard image acquisition
protocol, DeStripe is equipped with a Self2Self denoising loss term, enabling
artifact elimination without access to stripe-free ground truth images.
Competitive experimental results demonstrate the efficacy of DeStripe in
recovering corrupted biomarkers in LSFM with both synthetic and real stripe
artifacts.
- Abstract(参考訳): 光シート蛍光顕微鏡(英: Light-sheet fluorescence microscopy, LSFM)は、メソスコピックな試料を3次元に撮像する技術である。
このような顕微鏡の選択的励起スキームは、焦点外蛍光背景と試料光損傷を最小化する固有の光学分割を提供するが、光吸収や散乱効果が生じやすいため、画像中の不均一な照明や剥ぎ取りが悪くなる。
この問題に対処するため,本稿では,自己教師付きスペーススペクトルグラフニューラルネットワークとヘッセン事前展開を組み合わせたLSFMにおけるブラインドストライプアーティファクト除去アルゴリズムであるDeStripeを提案する。
具体的には、ストリップ情報を周波数領域内の孤立値に縮合するフーリエ変換の望ましい性質から着想を得たDeStripeは、一方向ストリップアーティファクトとより等方的なフォアグラウンド画像の間の構造的差異を利用して、潜在的に破損したフーリエ係数をまず局所化する。
影響を受けるフーリエ係数は回復のためにグラフニューラルネットワークに供給され、標準画像空間の構造が十分に保存されるようにヘッセン正規化が展開されない。
リアルでストライプのないLSFMは、標準的な画像取得プロトコルではほとんど存在しないため、DeStripeは、Slf2Self denoising Los termを備えており、ストライプのない地上の真実画像にアクセスせずにアーティファクトの除去を可能にする。
比較実験の結果,lsfmにおける破壊的バイオマーカー回収におけるdestripeの有効性が示された。
関連論文リスト
- ARCNet: An Asymmetric Residual Wavelet Column Correction Network for
Infrared Image Destriping [28.037564161552446]
赤外画像デストリップは、劣化した画像から高品質なコンテンツを復元しようとする。
最近の研究は、先行知識を利用して劣化した画像からストライプノイズを分離することで、この課題に対処している。
画像デストリップのための非対称残留ウェーブレット列補正ネットワーク(ARCNet)を導入する。
論文 参考訳(メタデータ) (2024-01-28T06:23:55Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳(メタデータ) (2023-08-31T04:58:17Z) - Enhancing Low-light Light Field Images with A Deep Compensation
Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳(メタデータ) (2023-08-10T07:53:06Z) - FreeSeed: Frequency-band-aware and Self-guided Network for Sparse-view
CT Reconstruction [34.91517935951518]
スパース・ビュー・コンピュート・トモグラフィー(CT)は, 患者への放射線曝露を迅速化し, 患者への放射線照射を緩和するための, 有望な方法である。
近年,深層学習に基づく画像後処理手法が有望な成果を上げている。
本稿では,FREquency-band-awarEとSelf-guidedを併用したFREquency-band-awarEとSelf-guidedネットワークを提案する。
論文 参考訳(メタデータ) (2023-07-12T03:39:54Z) - Fluctuation-based deconvolution in fluorescence microscopy using
plug-and-play denoisers [2.236663830879273]
蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。
この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
論文 参考訳(メタデータ) (2023-03-20T15:43:52Z) - DPFNet: A Dual-branch Dilated Network with Phase-aware Fourier
Convolution for Low-light Image Enhancement [1.2645663389012574]
低照度画像の高精細化は、低照度画像から通常の露光画像を復元することを目的とした古典的なコンピュータビジョン問題である。
この分野でよく使われる畳み込みニューラルネットワークは、空間領域の低周波局所構造の特徴をサンプリングするのに長けている。
周波数位相のセマンティクスの制約の下で高品質なテクスチャの詳細を復元できるフーリエ係数を用いた新しいモジュールを提案する。
論文 参考訳(メタデータ) (2022-09-16T13:56:09Z) - Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。
低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。
既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文 参考訳(メタデータ) (2021-09-13T12:45:08Z) - Regularization by Denoising Sub-sampled Newton Method for Spectral CT
Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。
特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。
スペクトルct材料分解の数値的および実験的結果を示す。
論文 参考訳(メタデータ) (2021-03-25T15:20:10Z) - Convolutional Neural Network Denoising in Fluorescence Lifetime Imaging
Microscopy (FLIM) [16.558653673949838]
蛍光寿命イメージング顕微鏡(FLIM)システムは、その遅い処理速度、低信号対雑音比(SNR)、および高価で困難なハードウェアセットアップによって制限されています。
そこで本研究では,FLIM SNRを改善するために畳み込み畳み込みネットワークを適用した。
ネットワークは、アナログ信号処理に基づく高速なデータ取得、高効率パルス変調を用いた高SNR、オフザシェルフ無線周波数成分を用いたコスト効率実装を備えたインスタントFLIMシステムと統合される。
論文 参考訳(メタデータ) (2021-03-07T03:27:44Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳(メタデータ) (2020-05-12T08:01:16Z)
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。