論文の概要: DiffuseIR:Diffusion Models For Isotropic Reconstruction of 3D
Microscopic Images
- arxiv url: http://arxiv.org/abs/2306.12109v1
- Date: Wed, 21 Jun 2023 08:49:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 14:07:17.815276
- Title: DiffuseIR:Diffusion Models For Isotropic Reconstruction of 3D
Microscopic Images
- Title(参考訳): 3次元顕微鏡像の等方的再構成のための拡散モデル
- Authors: Mingjie Pan, Yulu Gan, Fangxu Zhou, Jiaming Liu, Aimin Wang, Shanghang
Zhang, Dawei Li
- Abstract要約: 拡散モデルに基づく等方的再構成の教師なし手法であるDiffuseIRを提案する。
まず,側方顕微鏡画像から生体組織の構造分布を学習するために,拡散モデルの事前学習を行う。
次に、低軸分解能顕微鏡画像を用いて拡散モデルの生成過程を定式化し、高軸分解能再構成結果を生成する。
- 参考スコア(独自算出の注目度): 20.49786054144047
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Three-dimensional microscopy is often limited by anisotropic spatial
resolution, resulting in lower axial resolution than lateral resolution.
Current State-of-The-Art (SoTA) isotropic reconstruction methods utilizing deep
neural networks can achieve impressive super-resolution performance in fixed
imaging settings. However, their generality in practical use is limited by
degraded performance caused by artifacts and blurring when facing unseen
anisotropic factors. To address these issues, we propose DiffuseIR, an
unsupervised method for isotropic reconstruction based on diffusion models.
First, we pre-train a diffusion model to learn the structural distribution of
biological tissue from lateral microscopic images, resulting in generating
naturally high-resolution images. Then we use low-axial-resolution microscopy
images to condition the generation process of the diffusion model and generate
high-axial-resolution reconstruction results. Since the diffusion model learns
the universal structural distribution of biological tissues, which is
independent of the axial resolution, DiffuseIR can reconstruct authentic images
with unseen low-axial resolutions into a high-axial resolution without
requiring re-training. The proposed DiffuseIR achieves SoTA performance in
experiments on EM data and can even compete with supervised methods.
- Abstract(参考訳): 3次元顕微鏡はしばしば異方性空間分解能によって制限され、結果として横方向分解能よりも軸方向分解能が低い。
深層ニューラルネットワークを用いたsota(state-of-the-art)等方性再構成手法は,固定画像環境での高分解能化を実現する。
しかし, 実用上の汎用性は, 異方性要因に直面すると, 人工物による劣化やぼやけによって制限される。
これらの問題に対処するため,拡散モデルに基づく等方的再構成の教師なし手法であるDiffuseIRを提案する。
まず, 拡散モデルを事前学習し, 生体組織の構造分布を横方向の顕微鏡像から学習し, 自然高分解能画像を生成する。
次に,低軸分解能顕微鏡画像を用いて拡散モデルの生成過程を調整し,高軸分解能再構成結果を生成する。
拡散モデルは、軸分解能とは無関係な生体組織の普遍的構造分布を学習するので、ディフュージャは、低軸分解能が見えない真の画像を再訓練することなく、高軸分解能に再構築することができる。
提案手法はemデータ実験においてsoma性能を達成し,教師あり手法との競合も可能である。
関連論文リスト
- Global Structure-Aware Diffusion Process for Low-Light Image Enhancement [64.69154776202694]
本稿では,低照度画像強調問題に対処する拡散型フレームワークについて検討する。
我々は、その固有のODE-軌道の正規化を提唱する。
実験により,提案手法は低照度化において優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2023-10-26T17:01:52Z) - ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with
Diffusion Models [126.35334860896373]
本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。
注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。
本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
論文 参考訳(メタデータ) (2023-10-11T17:52:39Z) - Reference-Free Isotropic 3D EM Reconstruction using Diffusion Models [8.590026259176806]
本稿では、参照データや劣化過程に関する事前知識の制限を克服する拡散モデルに基づくフレームワークを提案する。
提案手法では, 2次元拡散モデルを用いて連続的に3次元ボリュームを再構成し, 高精度なサンプルデータに適している。
論文 参考訳(メタデータ) (2023-08-03T07:57:02Z) - ACDMSR: Accelerated Conditional Diffusion Models for Single Image
Super-Resolution [84.73658185158222]
本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。
提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。
提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
論文 参考訳(メタデータ) (2023-07-03T06:49:04Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - SPIRiT-Diffusion: Self-Consistency Driven Diffusion Model for
Accelerated MRI [17.56962674277573]
反復型自己整合並列イメージング(SPIRiT)にインスパイアされた自己整合性駆動拡散モデルを提案する。
提案したSPIRiT-Diffusion法は3次元頭蓋内および頸動脈壁画像データセットを用いて評価した。
論文 参考訳(メタデータ) (2023-04-11T08:43:52Z) - High-resolution tomographic reconstruction of optical absorbance through
scattering media using neural fields [25.647287240640356]
ニューラルネットワーク(NF)に基づく新しいDOT方式であるNeuDOTを提案する。
NeuDOTは、サブミリメートルの側方分解能を達成し、14mmの深さで複雑な3Dオブジェクトを分解し、最先端の手法より優れている。
論文 参考訳(メタデータ) (2023-04-04T10:13:13Z) - Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。
IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。
スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文 参考訳(メタデータ) (2023-03-29T07:02:20Z) - Fast and robust single particle reconstruction in 3D fluorescence
microscopy [1.0625549557437526]
単一粒子再構成は、軸方向分解能と蛍光標識の度合いを改善するための強力な技術である。
3次元蛍光顕微鏡における畳み込みモデル専用の単一粒子再構成法を提案する。
計算コストを低く抑えつつ,分解能および再構成誤差の観点から合成手法を実証する。
論文 参考訳(メタデータ) (2023-01-23T14:20:01Z) - Axial-to-lateral super-resolution for 3D fluorescence microscopy using
unsupervised deep learning [19.515134844947717]
本論文では、蛍光顕微鏡における異方性画像強化のための深層学習可能な非教師付きスーパーレゾリューション技術を提案する。
ネットワークのトレーニングには1枚の3D画像スタックしか必要としないため,本手法は実践の労力を大幅に削減する。
訓練されたネットワークは、回折限界を超える軸分解能を高めるだけでなく、イメージングプレーン間の視覚的詳細の抑制とイメージングアーティファクトの除去も行うことを実証します。
論文 参考訳(メタデータ) (2021-04-19T16:31:12Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳(メタデータ) (2020-08-05T02:33:04Z)
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。