論文の概要: PtychoDV: Vision Transformer-Based Deep Unrolling Network for Ptychographic Image Reconstruction

• arxiv url: http://arxiv.org/abs/2310.07504v1
• Date: Wed, 11 Oct 2023 14:01:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 07:25:38.319381
• Title: PtychoDV: Vision Transformer-Based Deep Unrolling Network for Ptychographic Image Reconstruction
• Title（参考訳）: ptychodv : 画像再構成のための視覚トランスフォーマーベースのディープアンロールネットワーク
• Authors: Weijie Gan, Qiuchen Zhai, Michael Thompson McCann, Cristina Garcia Cardona, Ulugbek S. Kamilov, Brendt Wohlberg
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.780951605821238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ptychography is an imaging technique that captures multiple overlapping snapshots of a sample, illuminated coherently by a moving localized probe. The image recovery from ptychographic data is generally achieved via an iterative algorithm that solves a nonlinear phase-field problem derived from measured diffraction patterns. However, these approaches have high computational cost. In this paper, we introduce PtychoDV, a novel deep model-based network designed for efficient, high-quality ptychographic image reconstruction. PtychoDV comprises a vision transformer that generates an initial image from the set of raw measurements, taking into consideration their mutual correlations. This is followed by a deep unrolling network that refines the initial image using learnable convolutional priors and the ptychography measurement model. Experimental results on simulated data demonstrate that PtychoDV is capable of outperforming existing deep learning methods for this problem, and significantly reduces computational cost compared to iterative methodologies, while maintaining competitive performance.
• Abstract（参考訳）: ptychographyは、複数の重なり合うサンプルのスナップショットを撮像するイメージング技術で、移動する局所プローブによってコヒーレントに照らされる。 ptychographyデータからの画像回復は、測定された回折パターンから導かれる非線形位相場問題を解く反復アルゴリズムによって一般的に達成される。 しかし、これらの手法は計算コストが高い。 本稿では,効率良く高品質なptychography画像再構成を目的とした,新しい深層モデルベースネットワークであるptychodvを提案する。 PtychoDVは、それらの相互相関を考慮して、原測定セットから初期画像を生成する視覚変換器を備える。 この後、学習可能な畳み込み前処理とptychography計測モデルを用いて初期画像を洗練するディープアンロールネットワークが続く。 シミュレーションデータによる実験結果から,PtychoDVは既存のディープラーニング手法よりも優れており,競争性能を維持しつつ,反復手法と比較して計算コストを大幅に削減できることが示された。

関連論文リスト

• PtychoFormer: A Transformer-based Model for Ptychographic Phase Retrieval [9.425754476649796]
  データ駆動単発写真位相検索のための階層型トランスフォーマーモデルを提案する。 本モデルでは, 細かな走査回折パターンに対する耐性を示し, 画像の再生速度は, 拡張された胸部反復エンジン (ePIE) の最大3600倍に向上した。
  論文  参考訳（メタデータ） (2024-10-22T19:26:05Z)
• Deep Richardson-Lucy Deconvolution for Low-Light Image Deblurring [48.80983873199214]
  我々は,飽和画素を学習潜時マップでモデル化するデータ駆動型手法を開発した。 新しいモデルに基づいて、非盲検除色タスクを最大後部(MAP)問題に定式化することができる。 増幅されたアーティファクトを使わずに高品質な劣化画像を推定するために,我々は事前推定ネットワークを構築した。
  論文  参考訳（メタデータ） (2023-08-10T12:53:30Z)
• A Deep Generative Approach to Oversampling in Ptychography [9.658250977094562]
  ptychographyの大きな欠点は、長いデータ取得時間である。 本稿では, 深層生成ネットワークから抽出したデータを用いて, わずかに取得したデータやアンダーサンプルデータを補完する手法を提案する。 深層生成ネットワークを事前学習し、データ収集時に出力を計算できるので、実験データとデータ取得時間を削減することができる。
  論文  参考訳（メタデータ） (2022-07-28T22:02:01Z)
• Compressive Ptychography using Deep Image and Generative Priors [9.658250977094562]
  Ptychographyは、ナノメートルスケールでサンプルの非侵襲的なイメージングを可能にする、よく確立されたコヒーレント回折イメージング技術である。 Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間である。 本稿では,深部画像先行と深部画像先行とを組み合わせた生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-05T02:18:26Z)
• 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)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)
• The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
  本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。 次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。 そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-16T08:17:44Z)
• 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)
• u-net CNN based fourier ptychography [5.46367622374939]
  本稿では,畳み込みニューラルネットワークに基づく新しい検索アルゴリズムを提案する。 実験により, システム収差下において, 再現性が向上し, より堅牢であることが確認された。
  論文  参考訳（メタデータ） (2020-03-16T22:48:44Z)
• 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)

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。