論文の概要: GedankenNet: Self-supervised learning of hologram reconstruction using physics consistency

• arxiv url: http://arxiv.org/abs/2209.08288v1
• Date: Sat, 17 Sep 2022 09:02:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 17:26:04.096224
• Title: GedankenNet: Self-supervised learning of hologram reconstruction using physics consistency
• Title（参考訳）: GedankenNet:物理一貫性を用いたホログラム再構成の自己教師型学習
• Authors: Luzhe Huang, Hanlong Chen, Tairan Liu, Aydogan Ozcan
• Abstract要約: 本稿では,ラベル付き学習データや実験データを必要としない,ゲダンケンネット(GedankenNet)と呼ばれる自己教師型学習モデルについて報告する。 自己監督訓練の後、ゲダンケンネットは様々な未知の生物学的サンプルの実験ホログラムへの一般化に成功した。 実験データや実際の興味のサンプルや空間的特徴の知識がなければ、ゲダンケンネットの自己教師付き学習は複雑な画像再構成を実現した。
• 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: The past decade has witnessed transformative applications of deep learning in various computational imaging, sensing and microscopy tasks. Due to the supervised learning schemes employed, most of these methods depend on large-scale, diverse, and labeled training data. The acquisition and preparation of such training image datasets are often laborious and costly, also leading to biased estimation and limited generalization to new types of samples. Here, we report a self-supervised learning model, termed GedankenNet, that eliminates the need for labeled or experimental training data, and demonstrate its effectiveness and superior generalization on hologram reconstruction tasks. Without prior knowledge about the sample types to be imaged, the self-supervised learning model was trained using a physics-consistency loss and artificial random images that are synthetically generated without any experiments or resemblance to real-world samples. After its self-supervised training, GedankenNet successfully generalized to experimental holograms of various unseen biological samples, reconstructing the phase and amplitude images of different types of objects using experimentally acquired test holograms. Without access to experimental data or the knowledge of real samples of interest or their spatial features, GedankenNet's self-supervised learning achieved complex-valued image reconstructions that are consistent with the Maxwell's equations, meaning that its output inference and object solutions accurately represent the wave propagation in free-space. This self-supervised learning of image reconstruction tasks opens up new opportunities for various inverse problems in holography, microscopy and computational imaging fields.
• Abstract（参考訳）: 過去10年間、ディープラーニングは様々な計算イメージング、センシング、顕微鏡といったタスクに応用されてきた。 教師付き学習方式が採用されているため、これらの手法のほとんどは大規模で多様なラベル付きトレーニングデータに依存している。 このようなトレーニングイメージデータセットの取得と準備は、しばしば手間とコストがかかり、バイアスのある見積もりと新しいタイプのサンプルへの限定された一般化につながる。 本稿では,ラベル付きおよび実験的トレーニングデータを必要としない自己教師付き学習モデルであるgedankennetについて報告する。 自己教師付き学習モデルは, 実験や実世界のサンプルとの類似性をもたず, 人工的に生成する物理抵抗損失とランダム画像を用いて学習した。 自己教師訓練の後、gedankennetは様々な生体試料の実験ホログラムに一般化し、実験的に取得したテストホログラムを用いて異なる種類の物体の位相および振幅画像を再構成した。 実験データや実際の興味のサンプルやその空間的特徴の知識がなければ、gedankennetの自己教師付き学習はマクスウェル方程式と一致する複雑な値のイメージ再構成を達成し、その出力推論と対象解が自由空間における波動伝播を正確に表現した。 この自己教師あり学習はホログラフィ、顕微鏡、計算画像分野における様々な逆問題に対する新たな機会を開く。

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)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
  我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。 提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。 生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-10-09T10:22:08Z)
• A comparison of different atmospheric turbulence simulation methods for image restoration [64.24948495708337]
  大気の乱流は、長距離イメージングシステムによって捉えられた画像の品質を悪化させる。 深層学習に基づく大気乱流緩和法が文献で提案されている。 様々な乱流シミュレーション手法が画像復元に与える影響を系統的に評価した。
  論文  参考訳（メタデータ） (2022-04-19T16:21:36Z)
• The Devil is in the Frequency: Geminated Gestalt Autoencoder for Self-Supervised Visual Pre-Training [13.087987450384036]
  視覚前訓練のための新しいMasked Image Modeling (MIM) をGeminated Autoencoder (Ge$2-AE) と呼ぶ。 具体的には、画素と周波数空間の両方から画像内容を再構成するgeminated decoderをモデルに装備する。
  論文  参考訳（メタデータ） (2022-04-18T09:22:55Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
  本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。 我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。 本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-30T08:23:25Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)
• Learning Numerical Observers using Unsupervised Domain Adaptation [13.548174682737756]
  医用イメージングシステムは、客観的な画質測定によって一般的に評価される。 タスクベース画像品質評価のための数値オブザーバを実装するために,改良されたディープラーニング手法が検討されている。 大量の実験データをラベル付けして、ディープニューラルネットワークを訓練するのは、面倒で、高価で、主観的エラーの傾向があります。
  論文  参考訳（メタデータ） (2020-02-03T22:58:28Z)

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。