論文の概要: eFIN: Enhanced Fourier Imager Network for generalizable autofocusing and
pixel super-resolution in holographic imaging
- arxiv url: http://arxiv.org/abs/2301.03162v1
- Date: Mon, 9 Jan 2023 04:12:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 16:22:14.477400
- Title: eFIN: Enhanced Fourier Imager Network for generalizable autofocusing and
pixel super-resolution in holographic imaging
- Title（参考訳）: eFIN:ホログラフィー画像における一般化可能なオートフォーカスと画素超解像のための拡張フーリエイメージネットワーク
- Authors: Hanlong Chen, Luzhe Huang, Tairan Liu, Aydogan Ozcan
- Abstract要約: 深層ニューラルネットワーク「拡張フーリエイメージネットワーク(eFIN)」を画素超解像と画像オートフォーカスによるホログラム再構成のためのフレームワークとして導入する。
eFINは画像再構成の質が優れており、トレーニング段階では見られない新しいタイプのサンプルに対して外部の一般化を示す。
eFINは3xピクセル超解像度イメージングを可能にし、再構成画像の空間帯域幅積をほぼ性能損失なく9倍に向上させる。
- 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 application of deep learning techniques has greatly enhanced holographic
imaging capabilities, leading to improved phase recovery and image
reconstruction. Here, we introduce a deep neural network termed enhanced
Fourier Imager Network (eFIN) as a highly generalizable framework for hologram
reconstruction with pixel super-resolution and image autofocusing. Through
holographic microscopy experiments involving lung, prostate and salivary gland
tissue sections and Papanicolau (Pap) smears, we demonstrate that eFIN has a
superior image reconstruction quality and exhibits external generalization to
new types of samples never seen during the training phase. This network
achieves a wide autofocusing axial range of 0.35 mm, with the capability to
accurately predict the hologram axial distances by physics-informed learning.
eFIN enables 3x pixel super-resolution imaging and increases the
space-bandwidth product of the reconstructed images by 9-fold with almost no
performance loss, which allows for significant time savings in holographic
imaging and data processing steps. Our results showcase the advancements of
eFIN in pushing the boundaries of holographic imaging for various applications
in e.g., quantitative phase imaging and label-free microscopy.
- Abstract（参考訳）: 深層学習技術の応用はホログラフィックイメージング機能を大幅に強化し、位相回復と画像再構成を改善した。
本稿では,画素超解像と画像オートフォーカスを用いたホログラム再構成のための高一般化フレームワークとして,拡張フーリエイメージネットワーク(efin)と呼ばれる深層ニューラルネットワークを提案する。
肺,前立腺,唾液腺組織およびパパニコラウ(Pap)スミアを含むホログラフィー顕微鏡実験により,eFINは画像再構成の質が優れ,トレーニング期間中に見られない新しいタイプの試料に対して外部の一般化を示すことを示した。
このネットワークは、物理学インフォームドラーニングによりホログラム軸距離を正確に予測する能力を持ち、0.35mmの広い自己焦点軸範囲を実現する。
efinは3倍ピクセルの超解像度撮影を可能にし、再構成された画像の空間幅積を9倍に増やし、ほぼ性能損失をなくし、ホログラフィック画像とデータ処理ステップでかなりの時間を節約できる。
本研究は,eFINのホログラフィー画像の境界を定量的位相像やラベルフリー顕微鏡など様々な用途に応用するための進歩を示すものである。
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) - Calibration-free quantitative phase imaging in multi-core fiber
endoscopes using end-to-end deep learning [49.013721992323994]
位相再構成時間を5.5msに大幅に短縮する学習型MCF位相イメージング法を実証した。
我々はまた,MCF位相イメージングに適した最初のオープンソースデータセットを自動生成する,革新的な光学システムも導入した。
我々の訓練されたディープニューラルネットワーク(DNN)は、99.8%の平均忠実度を持つ実験において、堅牢な位相再構成性能を示す。
論文 参考訳（メタデータ） (2023-12-12T09:30:12Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - 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) - Fourier Imager Network (FIN): A deep neural network for hologram
reconstruction with superior external generalization [0.30586855806896046]
本研究ではFIN(Fourier Imager Network)と呼ばれるディープラーニングフレームワークを導入し,新しいタイプのサンプルの生ホログラムからエンド・ツー・エンドの位相回復と画像再構成を行う。
FINは、新しいタイプのサンプルに対して優れた一般化を示すと同時に、画像の推論速度もはるかに高速である。
ヒトの肺組織サンプルを用いてFINを訓練し,ヒト前立腺,唾液腺組織およびパップスミア標本で盲目的に試験することにより,FINの性能を実験的に検証した。
論文 参考訳（メタデータ） (2022-04-22T06:56:24Z) - Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。
現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。
ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文 参考訳（メタデータ） (2021-09-23T15:15:21Z) - A Geometry-Informed Deep Learning Framework for Ultra-Sparse 3D
Tomographic Image Reconstruction [13.44786774177579]
超疎3次元トモグラフィ画像再構成のための幾何学インフォームド深層学習フレームワークを構築した。
本研究は,3次元CT画像の高精細化を実現するために,既知の先行画像のシームレスな包摂が不可欠であることを実証する。
論文 参考訳（メタデータ） (2021-05-25T06:20:03Z) - 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) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳（メタデータ） (2021-04-07T12:00:38Z) - Holographic image reconstruction with phase recovery and autofocusing
using recurrent neural networks [8.040329271747753]
デジタルホログラフィーは、バイオメディカルイメージングで最も広く使用されている顕微鏡技術の1つです。
ホログラムの欠落相情報の回復はホログラム画像再構成の重要なステップである。
ここでは、畳み込みリカレントニューラルネットワークに基づく位相回復手法を示す。
論文 参考訳（メタデータ） (2021-02-12T01:51:43Z) - Learning Wavefront Coding for Extended Depth of Field Imaging [4.199844472131922]
拡張深度画像(EDoF)は難題である。
回折光学素子による波面符号化を応用したEDoFの計算画像化手法を提案する。
深部3Dシーンやブロードバンド画像など,さまざまなシナリオにおいて,最小限の成果が得られた。
論文 参考訳（メタデータ） (2019-12-31T17:00:09Z)
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。