論文の概要: On the use of deep learning for phase recovery
- arxiv url: http://arxiv.org/abs/2308.00942v1
- Date: Wed, 2 Aug 2023 04:52:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-03 14:01:34.036331
- Title: On the use of deep learning for phase recovery
- Title（参考訳）: 位相回復におけるディープラーニングの利用について
- Authors: Kaiqiang Wang, Li Song, Chutian Wang, Zhenbo Ren, Guangyuan Zhao,
Jiazhen Dou, Jianglei Di, George Barbastathis, Renjie Zhou, Jianlin Zhao, and
Edmund Y. Lam
- Abstract要約: 位相回復(英: Phase recovery、PR)とは、その強度測定から光場の位相を計算すること。
近年,Deep Learning (DL) はコンピュータ画像に対する前例のない支援を行っている。
- 参考スコア（独自算出の注目度）: 5.69523747258177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phase recovery (PR) refers to calculating the phase of the light field from
its intensity measurements. As exemplified from quantitative phase imaging and
coherent diffraction imaging to adaptive optics, PR is essential for
reconstructing the refractive index distribution or topography of an object and
correcting the aberration of an imaging system. In recent years, deep learning
(DL), often implemented through deep neural networks, has provided
unprecedented support for computational imaging, leading to more efficient
solutions for various PR problems. In this review, we first briefly introduce
conventional methods for PR. Then, we review how DL provides support for PR
from the following three stages, namely, pre-processing, in-processing, and
post-processing. We also review how DL is used in phase image processing.
Finally, we summarize the work in DL for PR and outlook on how to better use DL
to improve the reliability and efficiency in PR. Furthermore, we present a
live-updating resource (https://github.com/kqwang/phase-recovery) for readers
to learn more about PR.
- Abstract（参考訳）: 位相回復(英: Phase recovery、PR)とは、その強度測定から光場の位相を計算すること。
定量的位相イメージングおよびコヒーレント回折イメージングから適応光学へ例示されるように、PRは、物体の屈折率分布またはトポグラフィーを再構成し、撮像システムの収差を補正するために不可欠である。
近年、深層ニューラルネットワークによって実装されるディープラーニング(dl)は、計算画像に対する前例のないサポートを提供しており、様々なpr問題に対するより効率的な解決策となっている。
本稿ではまず,従来のPR手法について概説する。
次に,前処理,内処理,後処理という3つの段階からdlがprをサポートする方法について検討する。
また,位相画像処理におけるdlの利用について概説する。
最後に、その成果をDL for PRで要約し、DLをPRの信頼性と効率を改善するためにどのように活用するかを概観する。
さらに、読者がPRについて詳しく学ぶために、ライブ更新リソース(https://github.com/kqwang/phase-recovery)を提示する。
関連論文リスト
- Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。
LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。
また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
論文 参考訳（メタデータ） (2024-10-31T17:49:44Z) - Deep learning phase recovery: data-driven, physics-driven, or combining both? [9.61250192946006]
最も直接的な深層学習フェーズ回復戦略は、教師付き学習モードを持つデータ駆動型(DD)と、自己教師付き学習モードを持つ物理駆動型(PD)である。
これら2つの深層学習位相回復戦略を,時間消費,精度,一般化能力,不適応性,事前能力の観点から比較した。
本稿では,高頻度情報と低周波情報のバランスをとるために,データセットと物理を組み合わせた協調型(CD)戦略を提案する。
論文 参考訳（メタデータ） (2024-04-01T11:42:43Z) - Analysis of Deep Image Prior and Exploiting Self-Guidance for Image
Reconstruction [13.277067849874756]
DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。
ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。
提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
論文 参考訳（メタデータ） (2024-02-06T15:52:23Z) - PtychoDV: Vision Transformer-Based Deep Unrolling Network for
Ptychographic Image Reconstruction [12.780951605821238]
PtychoDVは、効率的で高品質な画像再構成のために設計された、新しいディープモデルベースのネットワークである。
シミュレーションデータの結果,PtychoDVは既存のディープラーニング手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-10-11T14:01:36Z) - Combining Attention Module and Pixel Shuffle for License Plate
Super-Resolution [3.8831062015253055]
本研究は,低解像度・低画質画像におけるライセンスプレート(LP)再構成に焦点を当てた。
本稿では、注目/変圧器モジュールの概念を拡張したシングルイメージ超解法(SISR)アプローチを提案する。
実験では, 提案手法は, 定量的および定性的に, ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2022-10-30T13:05:07Z) - Towards Practical Single-shot Phase Retrieval with Physics-Driven Deep
Neural Network [23.001154546189355]
PPRNetと呼ばれる新しい物理駆動型マルチスケール構造を提案する。
従来の物理駆動型PRアプローチよりもはるかに高速で精度が高い。
その結果,従来の学習型PR手法よりもPPRNetの方が優れていることを示す。
論文 参考訳（メタデータ） (2022-08-18T02:51:44Z) - Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。
深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。
本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
論文 参考訳（メタデータ） (2022-06-06T13:28:15Z) - DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。
アーキテクチャにはLSTMユニットが組み込まれ、各改善ステップを通じて情報を伝達する。
DeepRMは、2つの広く受け入れられている課題データセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-05-28T16:18:08Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳（メタデータ） (2021-12-08T13:02:53Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - BP-DIP: A Backprojection based Deep Image Prior [49.375539602228415]
画像復元手法として, (i)Deep Image Prior (DIP) と (ii) バックプロジェクション (BP) の2つの手法を提案する。
提案手法はBP-DIP(BP-DIP)と呼ばれ,高いPSNR値とより優れた推論実行時間を持つ通常のDIPよりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-11T17:09:12Z)
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。