論文の概要: Physics Constrained Unsupervised Deep Learning for Rapid, High
Resolution Scanning Coherent Diffraction Reconstruction
- arxiv url: http://arxiv.org/abs/2306.11014v1
- Date: Mon, 19 Jun 2023 15:24:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 17:07:42.590351
- Title: Physics Constrained Unsupervised Deep Learning for Rapid, High
Resolution Scanning Coherent Diffraction Reconstruction
- Title（参考訳）: 高速・高分解能走査コヒーレント回折再構成のための無教師深層学習の物理学的制約
- Authors: Oliver Hoidn, Aashwin Ananda Mishra, Apurva Mehta
- Abstract要約: Coherent diffractive Imaging (CDI) と ptychography は、X線イメージングから天文学まで、科学分野に進出している。
深層学習に基づく再建の本質的な速度を保ちつつ, 物理インフォームドニューラルネットワーク再構成手法であるPtychoPINNを提案する。
特に、PtychoPINNは、一般化可能性、精度(10dB PSNR増加による)、線形分解能を著しく向上させる。
- 参考スコア（独自算出の注目度）: 0.2867517731896504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: By circumventing the resolution limitations of optics, coherent diffractive
imaging (CDI) and ptychography are making their way into scientific fields
ranging from X-ray imaging to astronomy. Yet, the need for time consuming
iterative phase recovery hampers real-time imaging. While supervised deep
learning strategies have increased reconstruction speed, they sacrifice image
quality. Furthermore, these methods' demand for extensive labeled training data
is experimentally burdensome. Here, we propose an unsupervised physics-informed
neural network reconstruction method, PtychoPINN, that retains the intrinsic
speed of deep learning-based reconstruction while improving reconstruction
quality by combining the diffraction forward map with real-space constraints
from overlapping measurements. In particular, PtychoPINN significantly advances
generalizability, accuracy (evidenced by a 10 dB PSNR increase), and linear
resolution (with a 3- to 6-fold gain). This blend of performance and speed
offers exciting prospects for high-resolution real-time imaging in
high-throughput environments such as X-ray free electron lasers (XFELs) and
diffraction-limited light sources.
- Abstract（参考訳）: 光の解像度制限を回避することで、コヒーレント・ディファレント・イメージング(CDI)とポチコグラフィーはX線イメージングから天文学まで科学分野に進出している。
しかし、反復的な位相回復に要する時間の必要性は、リアルタイムな画像撮影である。
教師付きディープラーニング戦略は再構築速度を高める一方で、画質を犠牲にしている。
さらに, ラベル付きトレーニングデータに対するこれらの手法の需要は, 実験的に重荷となる。
本稿では,非教師付き物理形ニューラルネットワーク再構成法であるptychopinnを提案し,重複測定から実空間制約と回折フォワードマップを組み合わせることで,深層学習に基づく再構成の固有速度を保ちながら再構成品質を向上させる。
特に、PtychoPINNは一般化可能性、精度(PSNRの10dB増加による)、線形分解能(3倍から6倍のゲイン)を著しく向上させる。
この性能と速度のブレンドは、X線自由電子レーザー(XFEL)や回折制限光源のような高出力環境での高分解能リアルタイムイメージングのエキサイティングな展望を提供する。
関連論文リスト
- Spatial Annealing Smoothing for Efficient Few-shot Neural Rendering [106.0057551634008]
我々は,Spatial Annealing smoothing regularized NeRF (SANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。
単に1行のコードを追加することで、SANeRFは現在の数ショットのNeRF法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
論文 参考訳（メタデータ） (2024-06-12T02:48:52Z) - Pano-NeRF: Synthesizing High Dynamic Range Novel Views with Geometry
from Sparse Low Dynamic Range Panoramic Images [82.1477261107279]
そこで本研究では,Sparse LDRパノラマ画像からの照射場を用いて,忠実な幾何復元のための観測回数を増やすことを提案する。
実験により、照射場は幾何復元とHDR再構成の両方において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2023-12-26T08:10:22Z) - Augmenting x-ray single particle imaging reconstruction with
self-supervised machine learning [5.109422776828829]
粒子配向を復元し、回折画像のみから相互空間強度を推定するエンド・ツー・エンドの自己教師型機械学習手法を提案する。
提案手法は,従来のアルゴリズムと比較して,再現性を大幅に向上した実験条件下での強靭性を示す。
論文 参考訳（メタデータ） (2023-11-28T10:05:44Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - 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) - 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) - 20-fold Accelerated 7T fMRI Using Referenceless Self-Supervised Deep
Learning Reconstruction [0.487576911714538]
脳全体の高時間分解能は、fMRIにおける神経活動の正確な解決に不可欠である。
ディープラーニング(DL)再構成技術は近年,高速度MRI画像の改善に関心を寄せている。
本研究では,5倍のSMSと4倍の面内加速度7T fMRIデータを用いて物理誘導型DL再構成を行う。
論文 参考訳（メタデータ） (2021-05-12T17:39:16Z) - 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) - 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) - CNN-Based Image Reconstruction Method for Ultrafast Ultrasound Imaging [9.659642285903418]
超高速超音波(US)は、フルビューフレームを1kHz以上で取得できるバイオメディカルイメージングに革命をもたらした。
強い回折アーチファクトに悩まされ、主に格子状葉、サイドローブ、エッジウェーブによって引き起こされる。
本稿では,2段階の畳み込みニューラルネットワーク(CNN)を用いた画像再構成手法を提案する。
論文 参考訳（メタデータ） (2020-08-28T17:15:37Z) - Real-time sparse-sampled Ptychographic imaging through deep neural
networks [3.3351024234383946]
データの取得と解析の両方に制約を課す複雑な逆問題の解法により、画像再構成を実現する。
本稿では,深部畳み込みニューラルネットワークに基づく画像再構成問題の解法として,PtychoNNを提案する。
論文 参考訳（メタデータ） (2020-04-15T23:43:17Z)
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。